一种融合K均值聚类的疲劳驾驶模型研究

在实际驾驶中每个驾驶员的疲劳状态数据特征并不完全一致,存在个体差异性,限制疲劳驾驶模型的识别效果。基于传统支持向量机模型,提出一种融合K均值聚类的消除驾驶员个体差异性的模型,在训练支持向量机模型前,首先提取每位驾驶员的疲劳聚类中心和清醒聚类中心,然后用这些聚类中心代替原始训练数据作为支持向量机模型的输入。通过多次对比试验测试,结果证明提出的方法相比传统的模型识别率有了较好的提高,达到了80%的识别效果,模型工作所需时间也大大缩短,耗时为原来的十分之一。     

基于聚类和支持向量机的个人信誉评估方法

针对传统的个人信誉评估方法存在的缺陷,提出了一种基于K均值聚类和支持向量机结合的个人信誉评估方法。该方法先将测试数据集进行聚类,根据数据离聚类的数据分布来选取合适数据训练支持向量机,然后利用支持向量机进行分类。结果表明,同单一利用支持向量机分类进行比较,该方法减少了训练时间,同时具有较高的测试精度,比传统的个人信誉评估模型有更好的效果。     

基于聚类支持向量机的入侵检测算法

针对支持向量机应用到入侵检测中训练时间长的特点,提出了一种基于聚类的支持向量机的入侵检测算法。该方法可以对训练数据进行剪枝,以靠近判别边界的聚类中心集合作为有效的训练样本集合对支持向量机进行训练,减少了样本的训练时间,提高了算法的效率。实验结果表明该方法对入侵检测是有效的。     

基于最佳样本标记的主动支持向量机学习策略

支持向量机通过随机选择标记的训练样本进行有监督学习,随着信息容量的增加和数据收集能力的提高,这需要耗费大量的标记工作量,给实际应用带来不少困难.本文提出了基于最佳样本标记的主动支持向量机学习策略:首先利用无监督聚类选择一个小规模的样本集进行标记,然后训练该标记样本集得到一个初始SVM分类器,然后利用该分类器主动选择最感兴趣的无标记样本进行标记,逐渐增加标记样本的数量,并在此基础上更新分类器,反复进行直到得到最佳性能的分类器.实验结果表明在基本不影响分类精度的情况下,主动学习选择的标记样本数量大大低于随机选择的标记样本数量,这大大降低了标记的工作量,而且训练速度同样有所提高.     

基于新型混合SVC算法的雷达辐射源信号识别

无监督学习方法能够对雷达辐射源信号进行有效的识别,支持向量聚类（Support Vector Clustering,SVC）算法是一种基于支持向量机的无监督聚类方法。SVC不仅时间复杂度高．而且在处理分布复杂、不均匀样本时,识别率较低。文章结合模糊C-均值算法与SVC算法的优点．提出了一种新的混合模糊C-均值法和SVC算法的无监督聚类方法。此方法用模糊C-均值聚类算法对数据样本作初步地线性划分,以将原数据样本划分成若干子样本。再用SVC算法分别对这些子样本进一步划分,再由模糊C-均值聚类法将二次规划问题分解,因而大大减少了SVC的计算量．降低了时间消耗。相对于原数据样本,子样本的分布较为简单、均匀,容易找到更为合适的SVC参数值。对雷达辐射源信号进行聚类分析的实验结果表明,此方法处理速度较快,具有较高的识别率。     

基于免疫克隆聚类协同神经网络的图像识别

该文提出了基于免疫克隆聚类的协同神经网络原型向量求解算法,该算法充分利用免疫克隆的高效全局最优搜索能力构造数据聚类算法,将新聚类算法用于训练协同神经网络的原形向量,并对Brodatz纹理图像库以及合成孔径雷达图像目标进行识别。仿真实验结果表明,相比标准协同神经网络,该算法可以提高网络的识别性能,同经典的支撑向量机相比,该算法在识别率相当的情况下,样本的训练和测试时间都明显缩短。     

一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法

在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法,DPLVSVM 将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。     

一种基于支持向量机的电波传播损耗计算方法

当前,电磁环境日益复杂,电波传播损耗作为电磁环境分析领域的重要研究对象,其预测结果的准确性将直接影响频谱态势生成、用频兼容分析等实际效果。由于电磁波在传播过程中易受环境影响,传统方法采用单一模型计算电波传播损耗,潜在误差较大。本文提出一种基于支持向量机（Support Vector Machine,SVM）的电波传播损耗计算方法。在训练阶段,采用不同传播环境下的感知数据对支持向量机模型进行训练;在测试阶段,以一定步长对传播路径进行分段,运用训练得到的支持向量机模型来对传播环境分段识别,继而采用各段识别结果相匹配的电波传播损耗模型分段计算损耗值并叠加为总的路径损耗值。仿真结果表明,相较于采用单一模型的传统方法,本文所提方法能够显著提高电波传播损耗计算精度。     

基于中文微博的产品评价分类算法

在中文微博产品评价分类算法中,由于常规SVM分类器在对少量标记数据的样本进行训练时,泛化能力无法满足要求,无法直接应用于微博文本的数据挖掘中,而传统的半监督TSVM算法的改造是通过对未标记数据增加惩罚函数完成的,这样会产生非凸函数优化问题。因此该文研究一种半监督高斯混合模型核的支持向量机分类算法。使用高斯混合模型对已标记和未标记数据进行训练,求取概率分布。最后通过一个对于i Phone手机的评价实例进行分析,验证了该文研究方法的优势。     

基于单分类支持向量机和主动学习的网络异常检测研究

对基于支持向量机和主动学习的异常检测方法进行了研究,首先利用原始数据采用无监督方式建立单分类支持向量机模型,然后结合主动学习找出对提高异常检测性能最有价值的样本进行人工标记,利用标记数据和无标记数据以半监督方式对基于单分类支持向量机的异常检测模型进行扩展。实验结果表明,所提方法能够利用少量标记数据获取性能提升,并能够通过主动学习减小人工标记代价,更适用于实际网络环境。     

混沌优化的仓储害虫声音信号识别研究

为了提高仓储物害虫声音信号的自动识别率,寻找支持向量机模型参数C和核宽度参数σ的最优组合,提出了基于混沌优化的支持向量机模型参数自动选择算法.基于径向基核函数(Radial Basis Function,RBF)的支持向量机模型参数C和核宽度参数σ对其泛化能力有很大的影响,首先产生Logistic映射和圆映射的混沌混沌数值序列,而后以通过载波形式将混沌变量的值域"放大"至参数(C,σ)的取值空间,寻找优化变量(C,σ)的最优组合.与网格法的比较实验结果表明,该方法不但可以提高分类识别率,而且显著减少了支持向量机的训练个数,并使支持向量机具有更好的推广能力.     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

复杂分类问题支持向量机的简化

对于复杂分类问题,不可避免的会有错分情况,此时支持向量机的支持向量较多,影响了识别速度.为了解决这个问题,我们提出了基于最小错分间隔的分类思想,并在此基础上得出了一种新的简化支持向量机.与普通支持向量机相比,这种简化支持向量机有较少的支持向量、较高的识别速度,而且实验结果表明,它的识别精度完全可以与普通支持向量机的识别精度相媲美,甚至更优.     

基于支持向量机的星载SAR信号识别技术研究

针对星载合成孔径雷达(SAR)信号的电子对抗侦察识别问题,提出了一种基于支持向量机的星载SAR信号分类方法。该方法基于样本聚集性构建二叉树结构,解决了支持向量机的多分类问题;同时减小了二叉树结构的分类误差积累,选择高斯核函数解决样本的非线性问题,并采用遗传算法对模型参数进行优化,从而提高模型的分类性能。文中对加拿大的Radarsat-2星载SAR卫星的四种信号进行了分类仿真,并与传统的参数匹配法进行了比较,结果表明文中的方法具有较好的识别率,同时模型的泛化能力也比较强,有利于解决对星载SAR 的侦察难点问题。     

基于支持向量机和振动场的故障诊断方法

故障样本量是制约智能故障诊断发展的关键因素之一,然而实践中往往难以获取充足的故障样本。支持向量机是一种新型的机器学习和模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出优越的性能。本文将欧氏距离分类引入到支持向量机解决支持向量机多类分类问题,提出了基于支持向量机和振动场的故障诊断方法。实验结果表明,该方法在故障诊断上计算速度和准确度令人满意,为类似的研究提供了借鉴意义和参考。     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。     

基于卷积特征和贝叶斯决策的双波段场景分类

针对可见光和近红外双波段场景分类存在图像标注样本少和特征融合质量低的问题,提出了一种基于卷积神经网络(CNN)特征提取和朴素贝叶斯决策融合的双波段场景分类方法。首先,将基于预训练的CNN模型作为双波段图像的特征提取器,避免标注样本少导致的过拟合问题;然后,通过主成分分析降维和特征归一化方法,提高支持向量机的计算速度和每个波段的分类性能;最后,以双波段后验概率为朴素贝叶斯先验概率,构建了决策融合模型,实现场景融合分类。在公开数据集上的实验结果表明,相比单一波段分类和双波段特征级联融合分类方法,本方法的识别率有明显提升,可达到94.3%;比基于传统特征的最优方法高6.4个百分点,与基于CNN的方法识别率相近,且执行简单高效。     

一种有效的大规模数据的分类方法

本文提出了一种基于自组织特征映射神经网络(SOM)和支撑矢量机(SVM)相结合的复杂模式的大规模数据的分类方法.该方法首先利用自组织特征映射神经网络对待识目标进行聚类,然后应用支撑矢量机方法对其进行分类识别.通过对复杂异或(XOR)分类问题,以及实际的Iris和Appendicitis数据分类问题等的分类实验,且与仅用支撑矢量机的分类方法比较,结果表明,本文提出的方法对复杂模式的大规模数据的分类识别问题具有较好的效果,且训练时间大幅度减小.