线性判别分析特征提取稀疏表示人脸识别方法

针对稀疏表示分类(SRC)算法采取随机脸法提取的数据特征判别力较弱问题,提出一种线性判别分析特征提取稀疏表示人脸识别方法.该方法首先采用线性判别分析算法求解最优判别投影子空间,然后把训练样本投影到该子空间以提取相应的数据特征,并用训练样本的数据特征做字典来表示测试样本数据特征.更进一步来说就是,通过提取出测试样本稀疏特征的向量,和测试样本的数据特征进行比对找出其联系和差别并表示出比对后的残差.最后根据构造的残差找出样本的类别来实现其识别目的.通过在Extend Yale B和CMU PIE人脸数据库上一系列的测试,证明该方法具有很好的识别效果.     

基于SVM分类可信度的暴雨/冰雹分类模型

为提高支持向量机(support vector machine,SVM)暴雨/冰雹分类准确率,研究了暴雨/冰雹样本到分类超平面的距离、样本邻域以及训练样本的过程信息对SVM分类可信度的影响,提出了采用距离系数、邻域系数和过程系数综合确定SVM分类可信度的方法,设计了基于SVM分类可信度的暴雨/冰雹分类模型,对暴雨和冰雹进行区分.结果表明:采用距离系数、邻域系数和过程系数可有效确定SVM分类可信度,基于SVM分类可信度的暴雨/冰雹分类模型有利于提高冰雹识别的击中率并降低其误报率.     

成对耦合分类器的多球体预处理方法

为了解决基于支持向量机(SVM)的成对耦合(PWC)决策算法的训练实时性问题,提出一种简化最终决策候选集的预处理方法.通过基于多球体(MS)的简略分类器计算样本与类别间的模糊隶属度,挑选部分隶属度较高的类别用于最终PWC决策.在算法实现方面,通过预设条件简化参数需求,设计基于核函数计算次数的评分函数,并借助交叉验证构造最优参数搜索方法.仿真实验表明,预处理方法以极小的分类正确率损失为代价大大缩短了决策时间,使PWC适用于对决策实时性要求较高的复杂问题.     

基于协议分析和SVM多分类的入侵检测系统研究

入侵检测实质上可以被描述为对数据样本进行尽可能正确的分类,关键问题是特征选择和模式识别方法的选择.采用SVM分类器组合的方法对数据样本进行分类,结合协议分析技术,提出了基于协议分析和SVM多分类的入侵检测系统模型,并利用KDD CUP 99数据集对系统模型进行测试.测试结果表明,所提出的方法有效提高了入侵检测的效率,降低了漏报率和误报率.     

基于SVM的决策融合鱼类识别方法

为解决基于声学散射数据的高精度鱼类识别问题,提出一种基于SVM的多方位声散射数据决策层融合的鱼类识别方法。利用小波包变换(WPT)和离散余弦变换(DCT)方法对多方位声散射数据进行特征提取,并进行特征降维处理。然后采用SVM分类器对每个方位提取的特征做出多次决策,并输出最终识别结果。采用3种不同鱼类作为研究对象,设计了可靠的获取多方位声散射数据的实验方案,给出不同方位数量条件下,基于WPT和DCT特征量的识别率。理论分析及实验数据处理结果表明,随着方位数量的增加,总体识别率呈升高的趋势,基于SVM的多方位声散射数据决策层融合方法可以有效提高识别率至90%以上。     

集成遗传算法在特征基因选取中的应用

结合Filter和Wrapper方法的优点,提出一种基于集成遗传算法(FSEGA)的特征选择方法,用于从基因表达谱数据中选择特征基因。根据基因正负样本的分布关系定义信息指标过滤噪声基因,在递归特征消除过程中根据基因的集成权值生成候选基因子集,选择分类测试中具有最高AUC(接收者工作特征曲线下的面积)值的候选基因子集作为基因表达谱数据集的特征基因子集,将支持向量机(SVM)用于算法的适应度函数,研究FSEGA方法与分类器算法之间的关系,对5个肿瘤特征基因表达谱数据集进行基因选取实验。结果表明,采用提出的集成特征选取方法选取的特征基因集合含丰富类别信息,重复性较好,提高了肿瘤特征基因选取的稳定性和鲁棒性。     

一种新的基于邻域筛选的分类算法研究

基于邻域的概念,提出一种新的样本筛选方法用于分类问题.该方法在特征空间中根据邻域内的样本类别筛选出具有代表性的训练样本,计算其与测试样本的距离作为样本所属类别的判定依据.在UCI数据集和电力系统负荷预测的应用当中,与SVM和NC两种分类方法进行对比分析,证明该方法能够较好地提高样本识别率并降低时间复杂度.     

基于相对熵的KNN文本分类方法的研究

摘要:为提高处理文本相似度的效果,提出了一种基于相对熵度量文本差异的KNN算法.该算法首先对文本进行预处理(分字与删去停用字)和构建特征字字典; 然后计算训练集中所有文本特征字的概率,并组成训练集(特征字概率矩阵); 最后计算预测文本的特征字概率向量,并通过计算和统计K个预测文本与训练集文本间相对熵最小的文本类别个数后将数目最多的类别作为测试样本的类别.实验结果表明,该算法的分类效果不仅显著优于传统KNN、SVM、Decision Tree、朴素Bayes算法的分类效果,且在小样本数据情况下     

基于ADASYN与AdaBoostSVM相结合的不平衡分类算法

对于平衡数据集支持向量机(support vector machine,SVM)通常具有很好的分类性能和泛化能力,然而对于不平衡数据集,SVM只能得到次优结果,针对该问题提出了一种基于SVM的AS-Ada Boost SVM分类算法.首先,通过使用ADASYN采样,提高少类样本在边界区域的密度;然后,使用基于径向基核支持向量机(radial basis function kernel mapping support vector machine,RBFSVM)模型弱分类器的Ada Boost SVM算法训练得到决策分类器.通过将该算法在各种不平衡数据集上的测试结果与单纯运用ADASYN技术、Ada Boost SVM、SMOTEBoost等其他分类器进行比较,验证了该算法的有效性和鲁棒性.     

水下目标识别中样本选择与SVME融合算法

水下目标识别中训练样本集含有冗余样本、噪声样本及无关样本,且特征提取、特征选择和决策系统设计过程分离而导致系统识别性能的下降,为此提出了基于加权最近邻收缩样本选择的SVM集成算法(SVME-WRNN)和基于加权免疫克隆样本选择的SVM集成算法(SVME-WICISA)。这2种集成方法通过样本选择来构建精度高、差异大的子分类器,并将其集成。利用4类水下目标实测数据进行了分类仿真实验。实验结果表明:SVME-WRNN算法和SVME-WICISA算法与SVME算法(无样本选择)相比较,在识别率相当的情况下,大幅度地降低了训练样本数目,得到的综合分类器具有良好的分类精度。     

采用FA和SVDFRM的SVM入侵检测分类模型

提出了一种新型网络入侵检测分类模型,设计了一个基于支持向量机(SVM)的分类器。采用因子分析法(FA)将行为样本的众多相关网络特征融合成精简的综合特征,实现了对网络监测数据的降维。利用支持向量决策函数排序法(SVDFRM),通过支持决策向量函数得到网络行为的特征贡献率并提取网络行为的重要特征。KDD99数据集测试实验结果表明,提出的分类模型降维效果显著,具有较好的实时性和较高的检测率。     

一种基于不平衡样本集的摩托车识别算法

提出了一种基于HSV(Hue-Saturation-Value)空间的Haar小波特征和多SVM(Support Vector Machine)分类器的摩托车识别算法,以解决因样本比例不平衡所导致的对摩托车识别性能差的问题.首先在HSV颜色空间基于无符号小波系数构造特征提取算法,然后对训练数据应用所提出的样本重构方法得到若干训练子集,基于各个训练子集训练相应的SVM分类器,识别时将各SVM的输出结果进行融合即可得到最终识别结果.实验结果表明:该方法识别性能高,鲁棒性好,对于受数据的不平衡性严重影响的对象识别具有较好的应用和推广价值.     

基于MFCC和HMM的音乐分类方法研究

采用基于Mel倒谱系数特征的隐马尔可夫模型对音乐进行分类.对音乐通过有监督的学习方式进行聚类,分类时将测试样本归入似然值最大的类别,对同一音频抽取若干样本,对样本识别结果采用投票法判定该音频的音乐类别,使分类的准确率得到进一步的提高.仿真实验对4种分类器在有干扰和无干扰的环境下的分类性能进行了比较,实验结果表明该方法具有更好的抗干扰能力和正确率.     

A survey of imbalanced pattern classification problems

对于平衡数据集支持向量机(support vector machine,SVM)通常具有很好的分类性能和泛化能力,然而对于不平衡数据集,SVM只能得到次优结果,针对该问题提出了一种基于SVM的AS-AdaBoostSVM分类算法. 首先,通过使用ADASYN采样,提高少类样本在边界区域的密度;然后,使用基于径向基核支持向量机(radial basis function kernel mapping support vector machine,RBFSVM)模型弱分类器的AdaBoostSVM算法训练得到决策分类器. 通过将该算法在各种不平衡数据集上的测试结果与单纯运用ADASYN技术、AdaBoostSVM、SMOTEBoost等其他分类器进行比较,验证了该算法的有效性和鲁棒性.

     

基于组合核函数的高校经济困难生分类

为进一步提高高校资助工作的精准度,构建基于组合核函数的支持向量机(SVM)高校经济困难生分类模型。根据在校生的消费数据、人员信息及历史资助信息抽取样本特征,利用径向基(RBF)核函数的局部拟合能力及多项式核函数的泛化能力,构建基于RBF核函数及多项式核函数的组合核函数SVM分类模型;采用多重网格搜索法训练模型获取最优核参数和组合核函数的权系数,并对高校经济困难生进行分类预测。实验结果表明:采用构建的模型可对高校经济困难生进行分类预测,与单核核函数SVM、逻辑回归模型、最近邻算法(KNN)相比,其分类准确率显著提升;使用融合特征可增加不同类别样本数据的差异性,有助于提高分类准确率。     

基于压缩感知稀疏分解的一维距离像目标识别

近年来对压缩感知理论的研究,进一步证明了信号的稀疏表示方法在信号压缩、特征提取等方面的有效性及巨大的应用潜力。作为信号处理领域的典型应用之一,雷达目标识别已有许多成熟的算法,其中一些基于高分辨距离像进行识别,但是这些方法大多忽略了高分辨距离像信号自身的稀疏特点。为此提出了一种基于压缩感知稀疏分解实现高分辨一维距离像目标识别的算法。此算法首先构建组合正交冗余字典,在满足信号表示准确性的情况下,兼有正交字典运算快捷的特点;然后,通过改进的分组匹配稀疏分解算法,根据距离像训练样本快捷地求取其类别字典;最后,基于类别字典对测试样本进行分类实现目标识别。仿真实验证明该目标识别算法简捷、识别率较高、抗噪能力强。     

基于混合高斯分布的广义零样本识别

与传统零样本识别相比,广义零样本识别的样本不仅包括测试类别样本,还包括训练类别样本,因此,广义零样本识别更具有现实意义。提出了一种基于混合高斯分布的广义零样本识别的算法（MGM-VAE）,在编码器中采用多个通道结构,促使变分自编码器（VAE）模型可以在更广泛的空间内寻求更好的映射解。     

基于支持向量机和遗传算法融合的入侵检测

为了研究网络异常入侵检测问题,将支持向量机(SVM)和遗传(GA)算法融合并应用于入侵检测领域,区分正常和异常的用户行为,实现对网络系统的入侵检测。传统SVM算法易产生训练参数选择不当,难以获得较高的检测效率和分类精度等问题。针对此问题,提出了一种优化的基于SVM-GA融合的入侵检测方法,首先对网络入侵数据进行归一化处理简化输入,然后通过遗传算法对SVM训练参数进行同步优化,最后采用SVM算法对网络数据进行检测,分类识别得到网络入侵结果。仿真实验结果表明,该融合算法训练时间短、检测精度高、误报率和漏报率低,是一种有效可行的入侵检测方法。     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。     

联合多特征的MSTAR数据集SAR目标识别方法

提出联合Zernike矩、核主成分分析（kernel principal component analysis,KPCA）及单演信号特征的合成孔径雷达（synthetic aperture radar,SAR）目标识别方法,3类特征分别描述SAR目标几何形状特征、投影特征及图像分解特征,联合使用可以有效增强对目标的描述。分类阶段采用联合稀疏表示对测试样本的3类特征进行表征。对于3类特征的输出误差矢量,采用多组权值矢量进行加权融合,进而根据最终融合的误差判定测试样本的目标类别。基于MSTAR(moving and stationary target acquisition and recognition)数据集的标准操作条件、扩展操作条件及少量训练样本条件对所提方法进行测试,结果验证了所提方法的有效性、稳健性及对少量训练样本的适应性。