SVM及其在尿有形成分识别中的应用

对尿液显微图像中一些有形成分进行有效分类识别，具有重大临床意义。通过支持向量机（SVM）这种在训练样本数很少的情况下，能达到很好分类推广能力的学习算法，运用统计学习理论和支持向量机相关概念，将支持向量机引入尿显微图像有形成分识别中，采用数字图像处理技术对尿液有形成分显微图像进行目标特征提取。使用SVM分类的实验结果表明，在样本数不多情况下可获得很好分类效果。     

基于数据分布信息的单类支撑向量机

单类支撑向量机（One—Class SVM）是一种重要的核方法,但是其缺少对数据分布信息的考虑,因而制约了其泛化能力的进一步提高。针对此问题,重新定义了原点到超平面的距离,进而提出了基于数据分布信息的单类支撑向量机（DDOne—Class SVM）。推导构建了DDOne—Class SVM算法的优化问题,详细分析和讨论了该优化问题在散度矩阵奇异情况下的求解方法以及该算法的非线情况。相对于传统One．Class SVM算法,该算法体现出了更好的泛化能力。     

基于PSO-SVM算法的长微博贴图识别方法

微博由于字数的限制,当用户需要发较多内容时通常以附图的形式给出,识别包含文本内容贴图的长微博能够为微博研究提供更多有用的数据.在支持向量机（SVM）的基础上结合粒子群算法（PSO）提出了一种识别长微博贴图的PSO-SVM算法.该方法提取长微博贴图的颜色矩和灰度共生矩阵特征,然后利用PSO算法对SVM模型中的误差惩罚参数和核函数进行优化得到最佳分类模型,其最优参数将被用作长微博贴图和非长微博贴图进行分类.实验表明,与传统的基于网格搜索法优化的SVM算法相比,PSO-SVM算法对长微博贴图识别具有更高的准确率和召回率.     

基于支持向量AAM迭代学习的性别分类算法

为了提高性别检测的精度，提出了一种支持向量机（SVM）与主动外观模型（AAM）相结合的迭代学习算法.采用AAM对初始训练样本建模，在此基础上构造SVM分类器.在当前迭代过程所产生的支持向量中随机选择不同性别的样本，对其AAM参数线性插值而生成一系列伪样本，并从中选取被当前分类器误分类或正确分类但分类可信度低的样本参与下次迭代学习.实验结果表明，采用该算法所构造的伪样本是初始训练样本的有效补充，提出的伪样本选择方案优于传统的Bootstrap方法，迭代学习方法逐步提高了性别分类器的检测精度.     

支持向量机的快速分类算法

支持向量机（SVM）算法在训练集的规模很大特别是支持向量很多时,支持向量机的学习过程需要占用大量的内存,算法的速度较慢。为此,笔者提出一种新的SVM快速分类算法。该算法通过选择边界向量,构造新的训练样本,减少了参与训练的样本数目。实验证明,该算法不仅能保证原算法的精度,具有良好的推广能力,而且提高了算法的速度。     

基于支持向量机的曲线重建方法

基于统计学习理论(SLT)的支持向量机(SVM)在高维空间中表示复杂函数是一种有效的通用方法，也是一种新的、很有发展前景的机器学习算法。文中简要介绍了基于支持向量机的理论，并在此基础上提出了一种基于支持向量机(SVM)的曲线重建算法，最后给出了实验，证明了该方法的有效性。     

基于MNC-FastICA算法的稳健自适应波束形成

针对导向向量失配的稳健自适应算法主要是基于导向向量不确定集约束,但是其约束参数往往难以确定,提出了基于修正的非圆复值快速不动点算法（MNC-FastICA）的波束形成方法,通过盲分离得到的分离矩阵来构造波束权向量,并对由此产生的信源幅相模糊进行校正。该方法不必预先估计信号来波方向,避免了传统方法中来波方向估计不准引起的期望信号的导向向量失配;对于阵列通道幅相误差导致的导向向量失配,该方法对其不敏感,不必对阵列进行校正。仿真实验与最差性能最佳化（WCPO）等经典方法作了性能对比,结果验证了该算法的有效性和稳健性。     

基于磁共振图像的脑瘤MGMT表达状况检测算法

针对脑胶质瘤的O6 甲基鸟嘌呤-DNA甲基转移酶(MGMT)表达状况检测受主观影响的问题,以中国脑胶质瘤患者的磁共振图像（MRI）为研究对象,提出一种包括特征提取、特征优化和模式分类的图像处理方法.利用图像的灰度共生矩阵、灰度 梯度共生矩阵和二维离散正交S变换(2D-DOST)提取肿瘤病变区域的纹理特征,结合环形增强和年龄特征构成初始特征集.将k最邻近法（KNN）与支持向量机（SVM）结合,进行特征优化.使用留一交叉检验法(LOOCV),将最优特征集进行SVM分类.分别对25位脑胶质瘤患者的T1加权、T1增强和FLAIR序列的磁共振图像进行分析.结果表明,该算法能够降低特征集的冗余程度,克服小样本分类困难,准确有效地检测MGMT表达状况.     

SVM及其在尿有形成分识别中的应用

对尿液显微图像中一些有形成分进行有效分类识别,具有重大临床意义.通过支持向量机(SVM)这种在训练样本数很少的情况下,能达到很好分类推广能力的学习算法,运用统计学习理论和支持向量机相关概念,将支持向量机引入尿显微图像有形成分识别中,采用数字图像处理技术对尿液有形成分显微图像进行目标特征提取.使用SVM分类的实验结果表明,在样本数不多情况下可获得很好分类效果.     

一种改进的双因子自适应FastICA算法

为解决快速独立分量分析算法（FastICA）对初值权值敏感的问题,提出了一种双收敛因子FastICA算法（Double Convergence Factor FastICA,DCF—FastICA）。该算法利用两个不同步长因子的FastICA算法进行组合,并通过梯度算法自适应调节两分离权值矩阵的组合系数,从而得到最优权值分离矩阵。理论分析与实验结果表明DCF—FastICA算法较之以往改进算法具有明显的优势,该算法不仅改善了初值权值敏感问题,而且可在几乎不损失分离精度的情况下,使平均分离速度较原算法提高近70%,迭代次数较原算法减少近80%。     

改进的球结构SVM多分类增量学习算法

针对球结构支持向量机(support vector machine,SVM)增量学习算法在训练时间和分类精度上的不足,提出了一种改进的球结构SVM多分类增量学习算法.该算法首先构造一个完全二叉树用于多类分类;分析新增样本的加入对原支持向量集的影响,将新增样本集中部分样本和原始训练集中的支持向量以及分布在球体一定范围内的样本合并做为新的训练集,完成分类器的重构.实现通过减少训练样本缩短训练时间和完善分类器提高分类精度的目的.通过UCI标准数据集实验,结果表明,该算法在所需训练的样本数、训练时间以及准确率3方面都优于球结构SVM增量学习算法,尤其当样本分布不平衡时,该算法有更高的分类准确率.     

基于壳向量的线性支持向量机快速增量学习算法

提出了一种新的基于壳向量的增量式支持向量机快速学习算法.在增量学习的过程中，利用训练样本集中的几何信息，在样本中选取一部分最有可能成为支持向量的样本--壳向量，它是支持向量集的一个规模较小的扩展集，将其作为新的训练样本集，再进行支持向量训练.这在很大程度上减少了求取支持向量过程中的二次优化运算时间，使增量学习的训练速度大为提高.与单纯使用支持向量代表样本数据集合进行增量学习的传统算法相比，使用该算法使分类精度得到了提高.针对肝功能检测标准数据集（BUPA）的实验验证了该算法的有效性.     

基于支撑矢量机的智能目标识别方法

支撑矢量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。文中将支撑矢量机的概念引入雷达的目标一维像识别中,对其机理作了详细地分析,建立了相应的支撑矢量机分类器算法。对雷达目标的回波数据进行目标特征提取与分类的实验结果表明,此方法可使信号特征的可分性得到显著提高。     

并行PSVM算法及其在入侵检测中的应用(英文)

基于并行PSVM(proximal support vector machine)分类法,利用ε-支持向量与原数据集等价的特点,将PSVM和cascade SVM模型高效结合,加速训练入侵数据集.提出一种新的PSVM增量学习方法,它能快捷更新分类器.通过大量基于著名的KDD CUP1999数据集实验,研究表明,该算法相对其他SVM方法,在保证较高检测率和较低误报率的同时,其训练时间降低80%,且能通过增量学习新数据集来有效更新分类器.     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于径向基函数网络估计密度函数的数据分类

针对样本总体分布已知的分类问题，提出了一种新的分类方法.通过非线性映射将训练样本映射到高维特征空间，基于向量投影法从训练样本中选择边界向量，运用多维二叉树搜索法确定每个边界向量同类中的k-近邻，运用统计理论中的大数定理估计样本的类条件概率密度函数，由边界向量与相应的密度函数构成新的训练样本对.对每一类数据建立一个径向基函数（RBF）网络，以相应类的边界向量作为中心，通过训练以RBF网络来估计样本的类条件概率密度，并采用基于最小错误率的贝叶斯决策来实现分类.对机器学习数据的仿真研究结果表明该方法具有与支持向量机（SVM）相似的识别率，并且能快速有效地实现多类分类.     

Novel Method of Predicting Network Bandwidth Based on Support Vector Machines

In order to solve the problems of small sample over-fitting and local minima when neural networks learn online, a novel method of predicting network bandwidth based on support vector machines(SVM) is proposed. The prediction and learning online will be completed by the proposed moving window learning algorithm (MWLA). The simulation research is done to validate the proposed method, which is compared with the method based on neural networks.     

融合SIFT和MIL的红外人脸识别方法

针对红外人脸识别问题,提出一种新的基于尺度不变特征转换(SIFT)与多示例学习(MIL)相结合的算法。该算法将图像当作多示例包,SIFT描述子当作包中的示例,利用聚类的方法对训练集中的所有SIFT描述子进行聚类,建立"视觉词汇表",再根据"视觉字"在多示例训练包中出现的频率,建立"词-文档"矩阵,采用潜在语义分析(LSA)的方法获得多示例包(图像)的潜在语义特征,将MIL问题转化成标准的有监督学习问题,即在潜在语义空间用支持向量机(SVM)求解MIL问题。基于OTCBVS标准数据集的对比实验结果表明,所提算法是可行的,且识别率明显高于其他方法。     

基于MTC结构的支持向量机并行训练算法

为加快支持向量机的训练速度,提出一种新型的"多重三叉级联(MTC)"学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。