一种基于成像传感器噪声的相机源辨识算法

通过支持向量机对数字图像的源相机问题进行研究.提出了一种基于成像传感器噪声特征的源辨识算法.利用去噪算法对数字图像的单个颜色通道图像进行去噪处理,用原始图像减去滤波图像得到传感器的噪声信息,再提取噪声信息的统计特征;将统计特征生成一个特征向量的形式来设计源辨识算法;借助支持向量机工具来确定相机的品牌或型号.实验结果表明...     

激光雷达引导下的红外图像中行人检测

研究了一种利用激光雷达数据引导红外图像进行行人检测与识别的方法。首先针对激光雷达数据,提出了一种利用鲁棒主成分分析进行目标感兴趣区域检测的方法,进而设计了一种窗口滤波算法对前景矩阵进行滤波处理,得到目标感兴趣区域的位置信息。在此基础上,将该位置信息投影到红外图像中获取红外图像中的目标感兴趣区域,进而在红外图像感兴趣区域内利用稀疏编码金字塔算法和支持向量机完成行人识别。实验结果表明了该算法能够有效地完成行人识别。     

有向无环图-双支持向量机的多类分类方法

针对多分类支持向量机算法中的低效问题和样本不平衡问题,提出一种有向无环图-双支持向量机DAG-TWSVM(directed acyclic graph and twin support vector machine)的多分类方法。该算法综合了双支持向量机和有向无环图支持向量机的优势,使其不仅能够得到较好的分类精度,同时还能够大大缩减训练时间。在处理较大规模数据集多分类问题时,其时间优势更为突出。采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对该算法进行验证,实验结果表明,有向无环图-双支持向量机多分类方法在训练时间上较其他多分类支持向量机大大缩短,且在样本不平衡时的分类性能要优于其他多分类支持向量机,同时解决了经典支持向量机一对一多分类算法可能存在的不可分区域问题。     

海德堡视网膜断层扫描仪的三维点云去噪方法研究

双边滤波法可以对海德堡视网膜断层扫描仪(HRT)扫描获得的三维点云数据进行有效的去噪处理。该算法在去噪的同时保留了图形的特征信息,缺点是多次迭代计算耗费了大量时间,所以该算法无法直接运用到实际的诊断中。邻域均值算法对位于某点一定邻域内所有点的Z坐标做均值处理,且根据距离中心点的远近取不同的权值,也能对图形进行去噪处理,只是单独使用虽耗费时间较少但效果远不及双边滤波算法。因此,本文提出采用邻域均值法作为双边滤波算法去噪的预处理。研究发现,该方法在保留图形特征的同时,并且在相同去噪效果的前提下可以显著减少计算时间,提高运行效率。     

基于人工免疫和ICA的污水进水水质LS—SVM分类

污水生化处理的节能控制涉及到对污水水质的分析.该文用人工免疫算法对污水进水水质测量中的异常数据进行检测,经Burg算法建立测量数据的AR模型,对异常数据进行修正.同时用独立元分析(ICA)方法去噪;再利用最小均方支持向量机(LS-SVM)对去噪后的污水进水水质分类.算法提高了分类的精度,仿真和实验结果表明了算法的优越性.     

大鱼际掌纹特征提取与识别算法研究

首先将掌纹图像经过定位分割获得感兴趣的大鱼际区域,再经中值滤波去噪,采用高频强调滤波和直方图均衡化相结合的方法增强图像,得到纹理清晰的大鱼际掌纹图像。然后采用灰度共生矩阵方法提取利于二分类的图像特征。最后基于支持向量机的方法实现大鱼际掌纹阴阳两类的识别。仿真实验结果表明,所提出的图像处理与识别算法对大鱼际掌纹阴性与阳性的分类具有较高的效率和准确率。     

基于支持向量机的说话人识别研究

解决说话人识别问题具有重要的理论价值和深远的实用意义，本文在研究支持向量机理论的基础上，采用支持向量机的分类算法实现说话人识别系统的训练和测试，并将小波去噪技术应用于说话人识别的预处理过程中，改善进入说话人识别系统的语音质量。实验表明，在说话人识别系统中，支持向量机结合小波去噪可以获得较好的识别率。     

时间序列植被指数频域滤波去噪算法的优化研究

频域低通滤波是一种比较常用的去噪方法，但在对时间序列植被指数去噪时易受异常值的影响，所以需要对传统的频率域滤波算法进行优化。本研究采用的优 化思路是：首先根据植被的生长规律识别出异常值，再通过滤波后的数值代替异常值，然后迭代执行频率域滤波进行去噪，直到结果中不存在异常值为止。分别对 MODIS NDVI进行本文优化算法和传统傅里叶与小波低通滤波去噪，结果表明优化的算法能够在不借助已知图像质量评价信息的条件下，有效地避免了异常值的干扰， 从而大幅度地提高了图像的质量和应用效果。     

SAR图像盐渍地分类研究

以渭干河——库车河三角洲绿洲为例,利用SAR数据,采用不同的分类方法来提取该研究区盐渍化土地覆盖信息。首先用Enhanced frost滤波算法对SAR图像进行去噪处理。然后基于灰度共生矩阵理论提取去噪后的SAR图像4种纹理特征,并在不同窗口大小下筛选出有效的纹理特征。最后结合纹理特征分别采用最大似然分类法和SVM分类法对SAR图像进行分类。研究结果表明:基于纹理特征的SVM分类方法,能够有效解决单源数据信息图像分类效果破碎问题;13×13窗口的总精度达到98.2456%,Kappa系数达到0.9763,更有利于遥感图像分类和盐渍化信息监测,是地物遥感信息提取的有效途径。     

基于特征提取和机器学习的电商数据可视化分析系统设计

针对传统电商数据可视化分析系统对用户行为特征提取准确率低,导致用户行为自动识别效果不佳,无法进行电商数据可视化操作和数据关联分析的问题,提出基于特征提取和机器学习的电商数据可视化分析系统。系统通过Scrapy网络爬虫框架进行数据采集;采用TF-IDF权重法进行特征提取和特征向量空间生成;之后利用支持向量机SVM对特征进行分类,最后通过Django网络开发框架+JavaScript技术进行可视化系统实现。结果表明,TF-IDF算法生成向量空间维度为(5 950,12 530),明显优于其他特征提取策略。在不同的特征提取策略中,支持向量机SVM的精确率、召回率和F1值分别为97.55%、98.42%和96.34%,均高于朴素贝叶斯和逻辑回归分类模型。说明提出的算法和模型可对电商用户行为特征进行准确提取和行为分类识别。验证发现,本系统可进行电商数据陈列、图表展示和动态交互,满足电商数据可视化分析需求,进一步提升了电商数据可视化水平。     

改进粗糙集理论的无线传感器网络静态节点分类算法

因无线传感器网络中静态节点包含一定的不确定信息,决策级融合技术很难对数据进行有效刻画,导致网络静态节点分类效果差。提出一种基于改进粗糙集理论的无线传感器网络静态节点分类算法。采用多次采样法对测试结果加权处理,通过加权移动平均算法对邻居节点进行测试,基于节点密度的混合式算法对数据去噪处理。利用错误分类率中的变精度粗糙集构建改进的粗糙集模型,基于改进粗糙集理论提取无线传感器网络静态节点特征,通过支持向量机构建无线传感器网络静态节点分类模型对节点分类处理。仿真结果表明,所提方法的分类正确率始终高于96.852%、节点召回率在97.321%以上、F1值多于97%、能量消耗在12.52 J～90.20 J之间,证明所提算法具有良好的网络静态节点分类性能。     

基于混合滤波的遥感图像去噪

基于均值滤波和中值滤波的互补性，应用混合滤波方法对SPOT遥感图像进行去噪处理，并与标准均值算法、标准中值算法以及改进的中值算法进行比较。结果表明：混合滤波方法能够有效去除椒盐噪声和高斯噪声，保留图像的纹理信息，提高图像的清晰度。     

时间序列植被指数频域滤波去噪算法的优化研究

频域低通滤波是一种比较常用的去噪方法,但在对时间序列植被指数去噪时易受异常值的影响,所以需要对传统的频率域滤波算法进行优化.本研究采用的优化思路是:首先根据植被的生长规律识别出异常值,再通过滤波后的数值代替异常值,然后迭代执行频率域滤波进行去噪,直到结果中不存在异常值为止.分别对MODIS-NDVI进行本文优化算法和传统傅里叶与小波低通滤波去噪,结果表明优化的算法能够在不借助已知图像质量评价信息的条件下,有效地避免了异常值的干扰,从而大幅度地提高了图像的质量和应用效果.     

支持向量学习机在点云去噪中的应用

在解决非线性、高维模式识别以及小样本等问题中,支持向量机表现出许多独有的优势.提出将支持向量机学习分类方法应用于点云去噪中,能够稳定地进行机器学习,训练得到判别模型,快速、准确地识别出噪声点与非噪声点.通过对小样本数据的统计学习,能够推广到大规模数据中去进行结果的预测估计.用SVM对点云数据样本进行学习训练、测试,识别分类,从而达到去噪光顺的目的.实验表明,此方法在有效去除噪声的同时能较完整地保留点云数据信息.     

结合视觉显著性的图像去噪优化算法

图像在采样、处理、传输及存储过程中受到噪声干扰,导致图像的视觉信息衰退,而人眼对图像中不同区域噪声的敏感程度不同,因此提出了结合视觉显著性的图像去噪优化算法。首先利用视觉显著性对噪声图像进行预处理,得到噪声图像中人眼感兴趣的区域;然后运用对图像纹理保护较好的BM3D算法对该区域进行去噪处理,对非感兴趣的区域采用运算速度较快的算术均值滤波算法实现去噪处理。结果表明,该方法不仅可以获得较高的主观图像质量评价,而且在客观上相比于单纯地使用BM3D算法去噪,运算时间明显缩短。     

司法消噪与多技术融合的时间序列预测

针对时间序列的在线精确预测问题,建立了融合预测算法。创新地提出了司法消噪算法,在保留数据的原始信息前提下,实现了对时间序列中数据噪声和新稳态的处理;利用经验模式分解方法对除噪后的数据进行平稳化分解处理;结合BP神经网络、最小二乘支持向量机分别对分解后的低频、高频项进行预测,实现对时间序列的在线精确预测。该算法克服了BP神经网络的高频易发散和最小二乘支持向量机的计算高耗时问题。基于患者呼吸周期序列预测的仿真和临床实验结果表明,该算法能实现时间序列的在线精确预测,且误差小于单一的BP算法,耗时小于单一的最小二乘支持向量机预测算法。     

SVM在多目标跟踪中的回波分类及并行化研究

在蒙特卡罗联合概率数据关联滤波(MC-JPDAF)算法基础上提出了SVM-MC-JPDAF算法,采用支持向量机(SVM)分类技术,针对跟踪门交叉区域的有效回波进行特别分类。通过仿真实验,算法有效地降低了失跟率以及目标估计值的均方根误差(RMSE),并且对算法实现了并行化,在提高性能的同时控制了算法的执行负担。     

一种彩色图像混合滤波的方法

提出了一种彩色图像混合滤波算法,对混有高斯和脉冲噪声的图像进行去噪处理。算法首先滤除受脉冲噪声污染的像素点,采用基于个数判断脉冲噪声的中值滤波算法;其次滤除受高斯噪声污染的像素点,采用对称近邻均值滤波算法。实验结果表明,与传统的中值滤波和均值滤波算法相比,该算法能够有效地去除高斯和脉冲噪声,同时能够保留更多的图像细节信息。     

基于支持向量机的说话人识别研究

解决说话人识别问题具有重要的理论价值和深远的实用意义,本文在研究支持向量机理论的基础上,采用支持向量机的分类算法实现说话人识别系统的训练和测试,并将小波去噪技术应用于说话人识别的预处理过程中,改善进入说话人识别系统的语音质量。实验表明,在说话人识别系统中,支持向量机结合小波去噪可以获得较好的识别率。     

基于K-means特征的复杂环境下道路识别算法*

基于视觉的智能车辆导航技术是通过对各种道路环境进行感知和理解,从而确定智能车辆的可行驶区域。针对实际道路环境的复杂性与多样性问题,提出了能够适应复杂环境的道路识别算法。首先,使用SLIC(Simple Linear Iterative Clustering)超像素分割算法对原始道路图像进行超像素分割,得到性质相同、尺寸均匀的超像素块;其次,基于超像素块使用K-means聚类算法提取出图像中道路区域与非道路区域的K维特征数据,并将提取的特征数据组成训练数据集;然后,针对经典双支持向量机(TSVM)训练时间久、无法求解逆矩阵的问题进行适当地矫正,使用训练数据集训练矫正后的双支持向量机;最后,使用训练好的双支持向量机进行道路与非道路的分类识别。4组道路场景的实验结果表明,与基于滑动窗口和颜色、Gabor纹理特征的方法对比,本文算法能够有效地识别具有阴影、水迹、障碍物等复杂环境下的道路;以人工标注结果为标准,前3组识别错误率低于0.1,第4组识别错误率低于0.15;与传统SVM相比,矫正的TSVM具有更高的效率,可以大大降低训练时间。本文算法在复杂环境下道路识别错误率低,性能良好,为道路环境感知和理解提供了一种新的方法。