基于混合相关反馈的三维模型检索

针对目前三维模型检索的检索精度低的缺点,为了进一步提高三维模型检索效率,提出一种结合Adaboost和SVM混合相关反馈的三维模型检索算法.算法先采用基于视觉面距离的算法提取三维模型特征向量,然后根据样本空间以支持向量机(SVM)为分类器,通过Adaboost算法对特征进行降维并把分量分类器组合成总体分类器,最后对分类器进行加权投票,动态调整特征的权重值来优化查询,逐步定位用户所期望检索的模型.使用普林斯顿大学提供三维模型数据库组成的模型库进行实验,结果表明,算法可有效地检索出更多的相关模型,并且在有限训练次数情况下具有较高的三维模型检索效率与性能.     

一种基于SVM的相关反馈图像检索算法

相关反馈技术是近年来图像检索中的研究热点,本文以MPEG-7的边缘直方图作为图像特征,以支持向量机（SVM）为分类器,提出一种新的相关反馈算法。在每次反馈中对用户标记的相关样本进行学习,用历次返回的结果更新训练样本集,建立SVM分类器模型,并根据模型进行检索。本文还对不同核函数的SVM进行了对比,得出RBF核函数的SVM有较高的检索精度。使用由10000幅图像组成的图像库进行实验,结果表明,该算法可有效地检索出更多的相关图像,并且在有限训练样本情况下具有良好的泛化能力。     

一种基于SVM的相关反馈图像检索算法

相关反馈技术是近年来图像检索中的研究热点,以MPEG-7的边缘直方图作为图像特征,以支持向蕈机(SvM)为分类器,提出一种新的相关反馈算法.在每次反馈中对用户标记的相关样本进行学习,用历次返回的结果更新训练样本集,建立SVM分类器模型,并根据模型进行检索.还对不同核函数的SVM进行了对比,得出RBF核函数的SVM有较高的检索精度.使用由10000幅图像组成的图像库进行实验,结果表明,算法可有效地检索出更多的相关图像,并且在有限训练样本情况下具有良好的泛化能力.     

捕鱼算法优化支持向量机的视频检索模型

为了提高视频检索的准确率,针对支持向量机(SVM)参数优化问题,提出一种捕鱼算法优化SVM的视频检索模型(SFOA-SVM)。首先提取视频特征,然后采用支持向量机建立分类器建立检索,并通过鱼群算法化SVM参数,最后采用具体视频数据进行仿真测试。实验结果表明,相对于其它视频检索模型,SFOA-SVM提高了视频的检索准确率和效率,可以更准确地查找到用户所需的视频。     

基于SVM的视频关键帧语义检索系统

为缩小"语义鸿沟",探讨了将支持向量机(SVM)应用于视频语义检索,提出了利用多变量支持向量机回归方法(SVR)进行语义自动标注,再将SVM分类应用于关键帧的语义检索的反馈中,改进了传统的SVM反馈方法.一方面记忆并累加样本集,优化负例选择,平衡正负样本数目,使训练集样本保持动态增长的平衡状态;另一方面,保存每次满意查询的SVM模型,使本次的反馈信息得以继续使用,从而建立SVM反馈的长期记忆机制.实验结果表明,与基于内容的SVM反馈检索相比,改进后的基于SVM反馈的视频语义关键帧检索的准确率和检索效率都有所提高.     

基于SVM的相关反馈图像检索研究

针对全局特征的图像检索不能很好地满足用户的意图和基于图像分割的检索过分依赖复杂的图像分割算法二者的不足,在基于子图的图像检索思想的基础上,给出了一种基于用户感兴趣区域的图像检索算法,并通过基于SVM的相关反馈算法来更好地捕获用户的检索意图。实验证明,该算法能发挥用户在检索过程中的作用,具有简单、高效、查全率较高的优点。     

基于自适应隐反馈用户行为模型的数据源选择

当前搜索引擎用户个性化的研究是搜索引擎优化的一个研究分支.当前检索模型的主要弊端就是搜索引擎用户提供的信息很少.目前主要借助于用户在和元搜索引擎交互的过程中提供的隐反馈信息对成员搜索引擎的数据源选择算法进行优化,利用语言模型对用户检索行为建模,用户与元搜索引擎交互的过程中动态更新用户行为模型,自适应的满足不同检索动机的用户的信息需求.     

一种新的基于SVM的相关反馈图像检索算法

提出了一种新的基于支持向量机(SVM)的相关反馈图像检索算法。实验结果表明，该算法在一定程度上解决了基于SVM的相关反馈图像检索中存在的样本不足的困难，提高了系统的检索性能。     

一种基于多分类SVM的相关反馈图像检索方法

相关反馈技术是近年来图像检索中的重要研究方向,它有效地缩短了用户高层语义和图像底层视觉特征的差距,大大提高了系统的检索精度,SVM因其通用性和出色的分类能力逐渐被引入到图像检索系统中.为了进一步提高检索效率,采用三级反馈机制引入模糊相关,用户对检索结果标记为相关图像、模糊相关图像和不相关图像,并对经典的查询向量点移动算法进行修改,在此基础上运用多分类SVM提出一种新的相关反馈图像检索方法.试验表明这是一个有效的方法.提高了图像检索效率.     

基于SVM与Adaboost的图像检索应用

语义图像检索已成为解决简单视觉特征和用户检索高级语义之间存在的"语义鸿沟"问题的关键,本文试图提出一种基于SVM和Adaboost集成学习相结合的相关反馈算法。在相关反馈过程中选择最具信息的样本训练支持向量机,可以有效减少相关反馈的次数和所需学习样本的数量,通过两者的互补来有效地提高图像检索的精度。最后提出Adaboost算法对SVM分类器进行加权投票,这样进一步提高了图像检索的性能。实验表明,该方法能较好地解决了图像检索中的小样本选择问题,并能显著提高图像检索的效率和性能。     

Active learning SVM with regularization path for image classification

In classification problems, many different active learning techniques are often adopted to find the most informative samples for labeling in order to save human labors. Among them, active learning support vector machine (SVM) is one of the most representative approaches, in which model parameter is usually set as a fixed default value during the whole learning process. Note that model parameter is closely related to the training set. Hence dynamic parameter is desirable to make a satisfactory learning performance. To target this issue, we proposed a novel algorithm, called active learning SVM with regularization path, which can fit the entire solution path of SVM for every value of model parameters. In this algorithm, we first traced the entire solution path of the current classifier to find a series of candidate model parameters, and then used unlabeled samples to select the best model parameter. Besides, in the initial phase of training, we constructed a training sample sets by using an improved K-medoids cluster algorithm. Experimental results conducted from real-world data sets showed the effectiveness of the proposed algorithm for image classification problems.     

基于支持向量机的机载吊舱故障诊断优化算法

提升机载吊舱的后勤保障能力,适应吊舱测试中多型号、多故障类型和测试环境动态变化的测试要求,是打赢现代化战争的重要保障。支持向量机（SVM）算法适用于小样本、高维度、非线性分类问题,SVM相关参数是影响算法性能的重要因素。基于K-CV算法和粒子群算法两种改进的SVM模型可以实现SVM参数优化,K-CV算法可以交叉验证优化模型参数,粒子群算法可以对SVM参数进行动态寻优,建立多核SVM吊舱故障诊断模型。两种算法都可以提高吊舱故障诊断模型的准确率,提高模型的学习能力和泛化能力,有效对吊舱的故障进行定量和定位诊断。     

基于改进粒子群优化的SVM故障诊断方法

针对支持向量机(SVM)分类模型参数选取困难的问题,提出基于遗传免疫的改进粒子群优化算法,克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷。将该算法与优化支持向量机分类模型相结合,建立基于遗传免疫粒子群和支持向量机的诊断模型,并用于轴承故障诊断中。结果表明,基于遗传免疫粒子群算法优化的SVM可实现对SVM分类模型参数的自动优化,并能提高SVM分类模型的故障诊断精度,对分散程度较大、聚类性较差的故障样本分类有较强的适用性。     

基于IFOA算法的SVM参数优化及其应用

为了提高果蝇优化算法的种群多样性和果蝇搜索的遍历性,有效提高算法的收敛精度,提出一种改进的果蝇算法(Improving fruit fly optimization algorithm, IFOA),仿真实验表明, IFOA算法保持了搜索过程中的搜索尺度变化,平衡了算法的全局与局部搜索能力。在此基础上,为了改善支持向量机模型参数选择的随机性和盲目性,提高模式分类的准确率,提出并建立了一种IFOA-SVM模式分类模型。该方法将IFOA算法引入到支持向量机模型参数优化中,建立性能最优的支持向量机模型。应用该模型对UCI机器学习数据库中wine数据集进行模式分类研究,通过算法对比分析,结果表明：提出的改进果蝇优化算法在收敛速度和寻优效率上均有一定的提高,依此而建立的IFOA-SVM模式分类模型具有较准确的分类准确率,从而也验证了该模式分类方法在wine数据集分类应用中的有效性。     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

基于GA的遥感图像目标SVM自动识别

为了高效合理地确定支持矢量机(SVM)的参数,使其对复杂的二值遥感图像目标进行自动识别,采用实值编码遗传算法来实现SVM模型参数的自动选择.与穷举搜索的留一法及随机试凑法相比,采用遗传算法的SVM模型参数选择更简单、更易于实现,并使SVM具有更好的推广能力.二值遥感图像目标的分类识别结果表明,该方法不但可以提高分类识别率,而且显著地缩短了SVM的训练时间.     

支持向量机(SVM)的研究进展

介绍了基于分解思想的支持向量机的训练算法,主要有两大类:块算法和固定工作样本集算法及其对应的快速算法SVM-light、SMO、BSVM和LIBSVM;介绍了支持向量机的变形算法、多类分类算法及模型选择问题;并且对近年来支持向量机在实际中的应用做了简要介绍,最后讨论了支持向量机亟待解决的问题并对其发展进行了展望.     

基于粒子群算法的煤气化过程LS_SVM预测模型

针对最小二乘支持向量机参数选择对模型性能的重要影响,并且以往的参数优选方法效果差且耗时长这一问题,提出基于粒子群算法优化最小二乘支持向量机预测模型.该模型用最小二乘支持向量机理论建立,用粒子群算法优化模型参数.论文将此模型用于预测评价固定床煤气化气化效果的三个主要性能指标(气体热值、气化效率、气体产率),通过现场实际数据仿真结果表明,该算法有效地提高了模型预测精度,验证了此模型的可靠性和可用性.     

A multi-objective artificial immune algorithm for parameter optimization in support vector machine

Support vector machine (SVM) is a classification method based on the structured risk minimization principle. Penalize, C; and kernel, σ parameters of SVM must be carefully selected in establishing an efficient SVM model. These parameters are selected by trial and error or man's experience. Artificial immune system (AIS) can be defined as a soft computing method inspired by theoretical immune system in order to solve science and engineering problems. A multi-objective artificial immune algorithm has been used to optimize the kernel and penalize parameters of SVM in this paper. In training stage of SVM, multiple solutions are found by using multi-objective artificial immune algorithm and then these parameters are evaluated in test stage. The proposed algorithm is applied to fault diagnosis of induction motors and anomaly detection problems and successful results are obtained.     

结合SVM和Gabor参数优化的车辆检测

提出了一种基于小生境遗传算法的SVM和Gabor参数优化的车辆检测方法。充分考虑SVM的模型选择和前期的特征提取有着紧密联系的特点,将SVM的参数和Gabor的参数优化有效结合,利用分类精度、惩罚因子以及支持向量个数构造适应度函数,运用小生境遗传算法训练SVM模型,可有效提高SVM的分类精度,减少特征量的个数,降低时间复杂度。实验结果表明,车辆检测平均实验精度可达到98.675%,仅需30个特征量,基本可以满足实时性的要求。