基于特征脸和支持向量机的人脸识别技术研究

在人脸检测的基础上,针对人脸识别问题,将特征脸理论和支持向量机相结合,把待识别样本投影到由特征脸张成的特征空间,从而提取出有效的可供识别特征,再将提取的特征送入支持向量机训练、分类,最终实现识别算法.该算法充分利用了主分量分析法在特征提取方面的有效性以及支持向量机在处理小样本问题和泛化能力强等方面的优势,使得算法具有较高的识别率.最后在设计的软件平台上进行了仿真,仿真结果表明,该系统可以运用在小型人脸识别的场合.     

基于组合核函数支持向量机的人脸识别

利用K-L变换首先对人脸图像进行特征参数提取,再利用支持向量机进行识别。为了得到学习能力和泛化能力较好的核函数,根据核函数性质,将局部核函数和全局核函数线性组合成新的核函数-组合核函数,采用Cross-Validation方法对其参数和组合系数进行优化选择;将该核函数应用于支持向量机中,并对YALE人脸库和ORL人脸库进行实验。仿真结果验证了该核函数的有效性。与普通核函数的支持向量机的比较实验表明:该组合核函数的支持向量机优于普通核函数的支持向量机。     

LDA及支持向量机的人脸识别算法研究

在主成分分析的基础上采用线性差别分析法对人脸图像进行特征提取,构造人脸的特征脸空间,在特征脸空间运用线性差别分析法进行人脸识别。在支持向量机方法理论基础上,利用LibSVM分类器对处理后的人脸图像进行分类,考虑到核函数参数对分类结果的影响,通过参数寻优及算法的改进将多类问题的分类简单化,并大大提高识别效率,在ORL人脸库的识别结果表明,本方法在特征参数个数的选取、识别效果等方面都有其独到的优越性,具有很好的可行性和实际意义。     

基于主成分分析和支持向量机的卵巢癌预测

卵巢癌是我国女性发病率较高的癌症之一,并且有逐年增加的趋势.基因芯片被广泛用于癌症早期检测,癌症的早发现可以确保生存率增加超过97％.本文针对基因芯片的质谱数据,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的卵巢癌预测方法.重点进行了模型设计和仿真对比实验.实验结果表明:本文方法在预测精度上达到了89.1％...     

支持向量机回归集成股市预测模型

利用基于主成分分析的支持向量机回归集成技术,提高集成个体差异度,生成一组优良的神经网络集成个体,将股票指数函数拟合成高维核空间的线性回归函数,求出一个满意的全局最优解,提高股指预测精确度,继而建立一个新型股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

基于主成分和支持向量机的降维和模式分类

首先讨论主成分分析和支持向量机的基本思想和实现过程,由于主成分分析PCA方法具备降维的功能,而支持向量机SVM方法又具有高分类准确率的优点,尝试将两者结合起来进行模式分类,最终经过实验验证获得成功.采用UCI数据库中的wine数据库分别对PCA、SVM、主成分和支持向量机结合的模式分类这三种方法进行实验仿真和比较,并取...     

基于小波分析和支持向量机的供电线路故障诊断

将小波分析与支持向量机(SVM)相结合对供电线路故障进行自动诊断.运用变尺度多分辨小波分析方法对供电线路故障信号进行特征分析,SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力.在小波分析信号特征提取的基础上,利用分布式多SVM分类器识别故障.实验表明,该方法能有效地对供电线路故障进行准确识别和诊断.     

基于支持向量机和太赫兹光谱技术的农药分类

基于农药的太赫兹吸收光谱和支持向量机对4种农药进行了分类。利用太赫兹时域光谱系统对4种农药,即三氯杀螨砜、敌百虫、亚胺硫磷和六氯苯进行检测,获得样品的太赫兹时域信号,然后计算获得其在0.3~2.2THz范围内的吸收光谱。用主成分分析法对太赫兹吸收光谱进行分析,提取光谱特征,用支持向量机分别对太赫兹吸收光谱和光谱特征进行分类。实验结果表明,这两种方案均能有效地对农药进行分类,分类正确率为100%。     

基于小波特征与支持向量机的焊点缺陷识别方法的研究

基于视觉信息的焊点缺陷检测已成为当前机器视觉中的研究热点问题.针对焊接设备的不稳定性、操作环境的不确定性等问题对焊点质量的影响,本文提出了利用增强小波系数和主成分分析相结合的方法对焊点图像特征进行提取,利用主成分分析的降维作用,对提取的增强小波系数50维特征向量进行降维处理.同时提出了融合决策树与支持向量机的方法对焊点的缺陷类型进行识别.实验结果表明,本文提取的焊点特征值具有更好的区分性与紧致性,提出的分类方法有效提高了焊点缺陷检测的识别率,同时提高了算法效率.     

基于Gabor变换和支持向量机的车牌字符识别算法

为了提高车牌字符识别率，将支持向量机SVM方法用于车牌字符的识别，算法首先采用Gabor变换和整体结构特征提取的方法提取车牌字符图像的特征参数，然后采用提取的特征训练SVM分类器，再应用SVM分类器分类和判别车牌字符。实验表明这种方法具有良好的车牌识别效果，较强的鲁棒性，有较大的应用价值。     

独立成分分析和支持向量机的虹膜识别方法

为了提高虹膜识别的性能,提出了一种新的虹膜识别方法。该方法采用独立成分分析获取虹膜高阶统计信息,并将输入模式空间映射到相应的独立成分空间,然后在该独立成分空间中,利用支持向量机的泛化特性构造最优分类超平面。通过CASIA虹膜数据库的仿真实验,该方法降低了特征空间维数,具有较高的正确识别率。特别是对高斯核,取得了98.61%的正确识别率,较相异度函数和最近特征线方法分别高6.48%和4.54%,同时也提高了算法的鲁棒性和灵活性。     

一种改进的FSVM语音情感识别算法

针对语音特征参数对某类情感具有不确定性的问题,提出一种基于典型相关性分析的改进模糊支持向量机算法,应用于语音情感识别.采用典型相关性分析方法对特征向量进行降维,得到样本的约简向量集,在此约简向量集上建立模糊支持向量机模型判定情感类型.仿真实验结果表明,该方法相比于传统支持向量机法和模糊支持向量‘机法具有较高的识别准确率.     

一种基于支持向量机与纹理的岩屑识别算法

针对在随钻过程中如何自动、快速、准确地识别岩屑的问题,对岩屑的纹理进行了深入的分析研究,采用Gabor滤波器对不同岩性的岩屑图像进行纹理提取和分析,提取了反映不同岩屑图像纹理结构的特征参数,最后将支持向量机应用到岩屑的识别过程中,取得了较好的识别效果。通过对四川洛带气田4口井的现场随钻,结果证明算法识别正确率达到90％以上,为快速自动录井提供了一条有效的途径。     

基于LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE（Locally Linear Embedding）和SVM（Support Vector Machine）结合的人像识别方法,采用PCA（Pfincipal Component Analysis）与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL（Olivetti Research Laboratory）人脸数据库上实验表明,该算法稳健、快速,识别率达到了90％以上。     

用支持向量机方法识别大肠杆菌启动子

为了进一步研究大肠杆菌启动子的识别算法,结合大肠杆菌基因分子生物学的有关理论,利用支持向量机(support vector machine,SVM)方法对启动子进行了识别.根据启动子的序列保守性,从每个启动子样本中选取了长65bases的序列作为正样本,从大肠杆菌编码区选取相应长度的序列作为负样本,建立了基于支持向量机的分类器;并讨论了应用SVM方法时,核函数参数的选择问题.实验结果表明,基于支持向量机的识别方法能更好地提取启动子保守序列的统计特征,正样本和负样本的相关系数可以达到81.62％.     

SVM模式识别技术及在机械故障诊断中的应用进展

支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.     

基于支撑矢量机的遥感图像目标识别

基于支撑矢量机对二值遥感图像飞机目标进行了识别，与欧氏距离判别法和神经网络方法的识别结果比较，表明对以矢量表示的高维二值为特征的图像识别问题，支撑矢量机方法具有良好的推广能力。而且，不同图像的二值化取值范围对识别结果有着直接的影响。     

基于Gabor小波特征的人脸识别算法研究

二维Gabor小波变换对图像边缘敏感,具有良好的方向选择性和尺度选择性,而对光照变化不敏感.本文提出了一种新型的Gabor特征人脸识别方法.该方法通过Gabor小波变换进行精确的人脸眼睛坐标定位,选取有利的人脸识别特征区域,通过构造新的Gabor小波特征,采用最近邻分类器对该特征进行分类.本文将该方法在YALE人脸库上进行了人脸识别实验,结果表明了该方法的有效性.     

基于最小二乘支持向量机对刀具切削状态的识别

基于小波包优良的时频特性和最小二乘支持向量机(least squares support vector machine,LS-SVM)对于小样本出色的学习泛化能力,提出了一种研究刀具切削状态的方法.采用最小熵准则对声发射信号进行最佳小波包分解,以各频段的信号能量占总能量的百分比来构造特征向量,输入LS-SVM多类分类器,实现对刀具切削状态的分类识别.实验结果表明,在采用高斯核函数的LS-SVM多分类算法中,选取惩罚因子γ=10,径向基核参数σ²=1时,该分类器能对测试样本进行准确的刀具切削状态识别.