基于手机加速度传感器的人体行为识别

提出一种依据手机内置三维加速度传感器采集的人体日常行为数据来进行识别分类的方法。该方法对采集的原始加速度数据进行预处理,从水平和垂直方向提取多种统计特征,包括标准差、四分位差、信号幅度、偏度、峰度和相关系数等,由支持向量机分类器进行分类识别,可识别手机携带者站立、走路、跑步、上楼和下楼5种动作。通过对比分析实验结果,对不同实验者的平均识别正确率达到87.17%,验证了该方法的有效性。     

基于时空局部特征融合的人体行为识别

为了实现对公共区域等特定场所下的人体正常行走、跑动、挥拳、双手挥舞等人体行为的识别,提出了一种基于时空局部特征融合的人体行为识别方法.首先,对各种目标行为建立样本库,将不同类别的目标行为样本作为先验知识,以此训练支持向量机;然后通过高斯混合模型来检测运动前景,接着提取运动目标的区域特征和运动特征,通过K-L离散变换对两者进行特征融合;最后结合支持向量机具有全局最优性和较好泛化能力的特点,进行小样本的多目标行为分类识别,并和BP神经网络的识别效果进行比较.实验结果表明,SVM的识别率优于BP神经网络,其平均识别率可达96%.     

基于加速度传感器的上肢运动信息采集与姿态识别

为了对脑卒中病人的康复训练效果进行评价,针对基于加速度传感器的人体上肢动作识别这一新兴的领域开展研究,提出了一套基于蓝牙4.0的人体上肢姿态采集系统,对患者上肢康复训练中常见的7种运动信息进行采集和姿态识别.系统包括运动信息采集、信号传输、信号去噪声、动作识别等几个主要部分.实验结果表明:将传统的时域特征和过零点特征与上四分位点和下四分位点的特征进行组合,能够更好地将曲肘侧平举与曲臂弯曲静止等动作分开,有效提高识别的准确率.与BP神经网络相比,基于径向基核函数的支持向量机(support vector madine,SVM)分类器具有明显的性能优势,获得了较好的姿态识别性能,交叉验证平均正确识别率可达90%.     

基于机器视觉的3D人体动作识别研究

为了对脑卒中病人的康复训练效果进行评价,针对基于加速度传感器的人体上肢动作识别这一新兴的领域开展研究,提出了一套基于蓝牙4.0的人体上肢姿态采集系统,对患者上肢康复训练中常见的7种运动信息进行采集和姿态识别.系统包括运动信息采集、信号传输、信号去噪声、动作识别等几个主要部分.实验结果表明：将传统的时域特征和过零点特征与上四分位点和下四分位点的特征进行组合,能够更好地将曲肘侧平举与曲臂弯曲静止等动作分开,有效提高识别的准确率.与BP神经网络相比,基于径向基核函数的支持向量机（support vector madine,SVM）分类器具有明显的性能优势,获得了较好的姿态识别性能,交叉验证平均正确识别率可达90%.

     

基于多支持向量机分类器的增量学习算法研究

为了将一般增量学习算法扩展到并行计算环境中,提出一种基于多支持向量机分类器的增量学习算法.该算法根据多分类器对新增样本集的分类结果,以样本到分类超平面的平均距离为条件重新构造支持向量集更新分类器,直到所有分类器的分类精度满足指定阈值.实验结果表明了该算法的可行性和正确性.     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域．支持向量机是一种高效的分类识别方法，在解决高维模式识别问题中表现出许多特有的优势．但支持向量机本身是一个两类问题的判别方法。不能直接应用于多类问题．总结了当前常用的几种支持向量机多类分类算法。分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论，并给出了进一步的研究方向．     

基于线性距离核的支持向量机设计

为了消除样本数量对现有SVM决策函数计算的影响,提出一种基于样本数据线性距离特征的线性距离核函数来改进SVM。基于该核函数的SVM决策函数,实现了与样本数量无关的分类计算,极大提升SVM在执行超大规模分类计算的速度。仿真结果表明,该核函数具有与常用核函数一样的性能,可以完成非线性SVM的训练和分类。     

基于多群体遗传算法的人脸表情识别

人脸表情识别是目前比较活跃的研究课题。该文提出一种采用多群体遗传算法进化的支持向量机对人脸表情进行分类的新型算法。先提取人脸表情特征,然后采用多群体遗传算法自动选择最优的支持向量机核函数,最后用支持向量机的方法进行分类．在日本JAFFE人脸表情库上进行了仿真实验,并与其他方法进行了比较,该文提出的方法获得了更好的识别效果。     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域.支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.总结了当前常用的几种支持向量机多类分类算法,分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论,并给出了进一步的研究方向.     

基于多特征融合的人脸表情识别

该文提出一种结合均值主元分析和线性判别进行特征选择的人脸表情识别方法。首先对训练样本做均值主元分析,然后再做线性判别,构造特征子空间,最后用支持向量机的方法进行分类。在美国耶鲁大学人脸表情库上分别进行了测试人不参与训练仿真实验,并与其他方法进行比较,该文提出的方法取得了更好的识别结果。     

基于HOG和SVM的人体行为仿生识别方法

在研究了人类视觉系统处理机制的基础上,首先利用方向梯度描述符(HOG)建立了图像的鲁棒表示;然后,根据人类视觉系统的并行处理机制和仿生信息学理论,提出了基于HOG+SVM的人体行为仿生识别与分类方法。利用针对识别与分类方法的评价指标对本文方法进行了评价,最后,与目前常用方法进行了比较,结果表明,在针对静态图像中人体行为的分类与识别效果方面,本文方法对差别较大的行为的识别效果好于常用方法,对相似行为的识别效果还有待于进一步提高。     

基于支持向量机的局域线性嵌入算法在图像检索中的应用

SVM算法复杂度与样本维数无关,具有的泛化能力强、分类精度高的特点,而LLE是有效的非线性降维方法,本文利用支持向量机（SVM）算法对局域线性嵌入（LLE）算法进行改进,有效地解决了基于内容的图像检索中的高维特征向量的降维问题,实验表明具有较高的查全率和查准率。     

基于组合核支持向量机的图像边缘检测

基于支持向量机在分类上有很好的效果,提出了一种新的边缘检测方法--基于组合核支持向量机的图像边缘检测。该方法利用支持向量机分类对较多的训练样本数据进行训练,从而实现了图像边缘定位。通过实验验证了该方法比传统的边缘检测算子效果好。     

基于多特征融合的运动物体识别方法研究

为了实现运动目标的实时检测,本文基于多特征融合,提出了一种运动物体分级识别方法.首先通过对运动目标的分割,分析得到各个物体的形状矩特征、面积大小及运动速度.对上述特征,采用支持向量机方法对其矩特征进行快速的一级分类,然后对一级分类结果及各物体的面积、速度等信源根据其对分类的重要程度,采用模糊积分技术进行多特征融合分类.实验表明,本方法具有较强的学习能力及较高的识别精度,可有效地应用于道路监控等系统.     

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。     

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PCA-SVM多生理信息融合的情绪识别方法

为了有效解决情绪识别过程中多种生理信息融合所导致的运算量过大的问题,提出了一种主成分分析(principal component analysis, PCA)与支持向量机(support vector machine, SVM)相结合的情绪识别方法。利用主成分分析法,求出各特征对情绪识别效果的影响权重,通过阈值法选择权重较大的特征组成新的特征子集,从而减少SVM的输入特征维数,降低算法的运算量。试验结果表明,该方法可以有效提高算法的执行效率。     

基于小波变换的雷达高分辨距离像识别

基于雷达高分辨距离像,利用Mallat塔式分解算法进行特征分解,并用类内类间最大相关系数和类间类内Kullback-Leibler(K-L)距离比值两个特征评价方法来对得到的小波分解后的信号进行特征选择．最后利用相关匹配法和支持矢量机来作识别．基于实测数据的实验结果表明,利用小波分解后的低频信号作为识别特征,不仅可提高识别性能而且可减小识别运算量．     

Accurate P2P traffic identification based on data transfer behavior

Peer-to-Peer (P2P) technology is one of the most popular techniques nowadays, and accurate identification of P2P traffic is important for many network activities. The classification of network traffic by using port-based or payload-based analysis is becoming increasingly difficult when many applications use dynamic port numbers, masquerading techniques, and encryption to avoid detection. A novel method for P2P traffic identification is proposed in this work, and the methodology relies only on the statistics of end-point, which is a pair of destination IP address and destination port. Features of end-point behaviors are extracted and with which the Support Vector Machine classification model is built. The experimental results demonstrate that this method can classify network applications by using TCP or UDP protocol effectively. A large set of experiments has been carried over to assess the performance of this approach, and the results prove that the proposed approach has good performance both at accuracy and robustness.     

全身步态模型的视触融合步态识别算法

为减少背包负重、衣着和环境等因素对步态识别率的影响,提出一种融合视觉和触觉特征的全身步态模型。首先,以支撑脚为起点,根据运动传递过程,建立身体各个部分质量与地面支持力的动力学关系,并且通过加速度引入视觉特征;然后,对模型进行参数分离,得到代表不同步态运动特征的特征矩阵,利用Kinect和步道式足底压力仪获得的视觉图像序列和足底压力图像提取视觉和触觉特征,建立包含正常、背包负重和穿大衣3种步态运动状态下的数据库;最后,选择支持向量机中的多分类方法完成步态识别,在识别过程中通过K-CV法对分类器参数进行了寻优。实验结果表明:足底压力分区方式增加了特征识别点,提高了模型识别率;在正常步态运动条件下模型平均识别率为97.31%,在背包和穿大衣的情况下模型识别性能下降比较少。融合视觉和触觉特征建立包含上肢摆动的全身步态模型可以有效提高模型在复杂步态运动条件下的鲁棒性和步态识别准确率。