基于特征选择的SVM选择性集成学习方法

本文提出了一种结合SVM的选择性集成学习方法。算法基于集成学习的基本框架,通过对输入的训练子集进行特征选择处理并对随后的基分类器进行泛化能力的排序和选择,形成了一个新的集成分类器,以提高性能。文中试验采用UCI数据集与传统的Bagging算法做对比,结果表明本文算法可以有效地改善分类效果。     

基于负相关学习的支持向量机集成算法

提出一种基于负相关学习理论的支持向量机集成方法，该方法能有效解除各支持向量机之问的相关性，使得集成个体有较大的差异。并采用了演化策略对支持向量机的核函数和相关参数白适应地进行选择。仿真实验表明．该方法不仅能有效地解决支持向量机模型选择的难题，而且能以很小的代价显著提高学习系统的泛化能力。     

基于词向量的SVM集成学习社交网络抑郁倾向检测方法

目前抑郁症的诊断手段单一、诊断率低,为此,文章提出一种基于词向量的SVM集成学习社交网络抑郁倾向检测方法。人工标注和专家校验获得训练数据,使用词向量进行文本向量化。以SVM为基分类器进行Boosting集成学习。实验结果表明,文章提出的模型可以用于抑郁倾向的检测。     

基于SVM的图像分类算法优化实现

支持向量机(Support Vector Machine,SVM)是以核函数为载体的机器学习方法,集优化、核、最佳推广能力等特点于一身,目前比较广泛的一个应用是数字图像分类,具体的步骤是:先用词袋模型对数字图像特征进行组织,再构造核函数进行训练、学习,然后分类。在整个过程中,对最后分类结果起到关键作用的分别是核函数的构造和分类器核参数的选择,为解决核参数大多依靠经验选取或者大范围网络搜索耗时等问题,引入群智能算法来优化核参数,使得模型性能达到最优。最后选用Caltech 101、Caltech 256中的经典图像数据集做分类实验,以验证其核参数优化方法的有效性。     

基于不平衡数据的蛋白质结晶偏好性改进SVM集成预测

针对不平衡数据集分类问题,本文提出一种基于改进ROF的集成SVM分类方法。实验结果表明,采用本文提出的方法预测蛋白质结晶偏好性,可以有效提高预测精度。     

一种基于内壳向量的SVM增量式学习算法

本文针对支持向量机难以快速有效地进行增量式学习的问题,提出了一种基于内壳向量的支持向量机增量式学习算法.算法通过线性规划运算求得最可能包含支持向量的壳向量和内壳向量集合,在保证分类精度的前提下最大程度地缩小训练集规模,进而在新的训练集中快速训练支持向量机.将该算法应用于公开数据及低空飞行声目标分类识别,结果表明,新算法...     

基于SVM的骨质疏松识别算法

文中讨论了基于模式分类的算法,通过常规的体检参数对骨质疏松情况进行预测和识别.由于常规体检参数和骨质疏松诊断结果之间的线性相关度小、参数方差大等问题,基于线性分类边界模型得到的分类器误差大,文中利用数据和骨质疏松之间的非线性关联特性,使用高斯核函数将原始训练数据映射到核空间进行分类,较好地实现了用体检参数预测骨质疏松.此外文中给出了利用多个分类器的分类结果进行组合方法,使得不同分类器分类结果相互矛盾时能够输出唯一的诊断结论.     

基于集成支持向量机的故障诊断方法研究

为了提高支持向量机的泛化能力,研究了Bagging集成学习方法对于支持向量机的提升作用,试验结果表明提升作用不明显。通过模拟数据扰动的方法,在标准数据集上通过试验定量比较了支持向量机和神经网络的稳定性,结果表明支持向量机相对于神经网络来说是一种稳定的分类器。在此基础上,提出了双重扰动法,即通过子空间法扰动数据特征,通过Bagging算法扰动数据分布,来达到提高基分类器之间差异性的目的,在标准数据集和故障诊断数据上进行了试验,试验结果表明,双重扰动法较好地提升了支持向量机的正确识别率。     

基于猫群聚类算法的二叉树SVM蛋白质结构类预测

针对传统的基于二叉树SVM分类模型存在不可区分域和误差积累的缺陷,本文提出了一种基于猫群聚类算法的二叉树SVM分类方法,利用猫群聚类算法在各个节点自适应构造二叉树结构。以蛋白质序列的氨基酸相互作用和疏水模式为分类特征,采用本文算法对蛋白质结构类进行预测,实验结果表明,与其他算法相比较,本文算法具有较高的预测精度。     

基于SVM算法的分类器设计

介绍了支持向量机算法的基本思想、数据分类的概念,分析了传统支持向量机算法的一般特性。用Libsvm工具箱实现了基于SVM算法的分类器设计,并用公共数据库中的数据集对设计的分类器进行了测试,重点针对训练样本的选择、参数的影响选择与优化问题进行了研究。实验结果表明,在应用支持向量机算法做数据分类时,选择合适的训练样本和参数有利于提高分类器的准确度。     

基于正则化Adaboost的红外目标识别

对于高维特征空间的分类,Adaboost算法是一种有效的分类算法.然而,如果把Adaboost算法直接运用到红外目标的识别,就会面临高噪声下的Adaboost过拟合问题.采用正则化后的Adaboost算法,即AdaboostKL算法作为分类算法的学习模型,以NaiveBayes作为弱学习器,提出了基于正则化Adaboost的红外目标识别算法.正则化的目的是为避免在红外图像特征高噪声下分类器的过拟合,改善了在高噪声数据下目标识别的可靠性.在求取Adaboost的权重分布时,采用的是熵正则化的方法.通过实验,验证了此算法,则即使面对高噪声的红外数据,也能获得较好的识别效果.     

面向自标定室内定位基于遗传算法优化SVM的视距与非视距信号分类

对于室内定位,基于安卓手机平台,利用特定频段的声技术TPSN测距模型,以到达时间(TOA)作为重要参数,可以实现高效、高实时性定位.算法中涉及到视距(LOS)与非视距(NLOS)信号wav文件分类,之前定位系统中大都使用支持向量机(SVM)完成分类.兼顾安卓手机实际使用情况与实际需求,改进了特征提取算法,并且使用遗传算...     

FPGA平台上Adaboost算法的Impulse C实现

Impulse C是一种与ANSI C兼容的并行性扩展集,与EDK工具结合紧密.在研究Adaboost算法流程的基础上以Impulse C为工具,实现了人脸检测的Adaboost算法在FPGA上的软硬件划分和软件模块与硬件模块的设计,并通过软件仿真验证了硬件模块的功能.     

基于SVM的信号解调算法

在小样本、低信噪比条件下,同步参数估计会存在较大误差,从而导致信号解调性能的降低。为了解决该问题,将信号解调看成有限长度采样样本的学习问题,并利用支持向量机( SVM)良好的学习性能,在存在同步误差的条件下,通过提高判决端的处理能力来改善系统的接收性能,提出了基于SVM的信号解调算法。在Matlab环境下,对提出算法在精准同步、残存同步误差、高斯白噪声和高斯色噪声等情况进行了计算机仿真,结果表明,相比于匹配滤波器算法,基于SVM的信号解调算法能较好地克服定时误差和相位误差以及色噪声对解调性能的影响。     

基于连续型Adaboost算法和Cascade结构的红外人脸检测

自由立体显示技术中,人脸位置的探测与跟踪是关键之一.由于光照变化等因素的影响,对多人的脸部位置的探测很难达到快速、准确的目的.提出一种基于连续型Adaboost算法和Cascade结构的新方法.该方法采用红外主动照明模式,通过隔离可见光照,基本消除了光照变化对人脸检测造成的影响.新检测算法中Adaboost检测速度很快,Cascade结构可以检测那些难以识别的人脸,大大地提高了人脸检测的速度和鲁棒性.对视频流图像进行的检测实验中,没有出现人脸"漏检",极少出现非人脸的"误检".检测速度在Windows XP,Pentium IV,图片分辨率为640×480的条件下,可达25 f/s,完全达到了实时性的要求.另外,实验证明该方法对于人脸表情变化和人脸小角度倾斜也具有鲁棒性.     

基于深度特征和Adaboost的机场跑道异物识别算法

针对机场跑道深度图像,研究并提出了基于深度特征和Adaboost的机场跑道异物识别算法。文中采用分水岭分割方法将可疑的异物区域分割出来。然后在提取深度特征的基础上,采用Adaboost分类器实现异物识别。实验结果表明该算法能够准确地完成机场跑道的异物识别。     

基于FBP的迭代算法研究

在用传统的滤波反投影算法（FBP）重建图像时,往往不可避免地出现许多伪影。为了减少伪影,论述了一种基于FBP的迭代算法,此处投影采用平行光束。算法分为三个过程,第一个过程采用FBP算法重建图像,第二个过程将重建后的图像再次投影并与第一次的投影做外差并将此差值做反投影获得改进量,第三个过程将改进量与第一次重建的图像相加获得修正后的图像,重复该过程。多次迭代后图像膺像明显减少,图像质量增强。     

基于Newton迭代算法的低复杂度信号检测算法

为了解决太赫兹通信系统超大规模MIMO检测计算复杂度高、收敛速度慢等问题,提出了基于Newton迭代算法的低复杂度信号检测算法.通过在Newton迭代算法中改进初始矩阵、加入步长因子,降低计算复杂度、提高收敛速度;通过加入调节因子,保证算法的稳定性、可靠性和场景适用性.仿真结果表明,相比传统算法,所提算法具有更低的计算...     

基于Adaboost算法的人脸检测系统实现

在嵌入式平台上用软件实现、软硬件协同、全硬件实现三种实现方法,全面考察了Adaboost算法在嵌入式平台的性能.在Xilinx XUPV2P开发板上,软件实现的检测速度是0.5fps,软硬件协同是1fps,而全硬件实现获得了80fps的检测速度,完全达到实时需求.     

基于改进AdaBoost的密度峰值聚类法

针对雷达数据集中目标和杂波点迹的聚类不平衡问题,提出一种基于改进AdaBoost的密度峰值聚类法.介绍密度峰值聚类法的思想,基于不对称误分代价改进AdaBoost的误差函数,提高正类错分代价权重,将改进AdaBoost和密度峰值聚类结合,对由目标和杂波点迹组成的不平衡雷达数据集聚类.仿真实验结果表明,该算法在保证总体聚...