融合先验知识的支持向量机回归方法

类似大多数基于统计的纯数据驱动机器学习方法一样,标准支持向量机回归也是建立在对纯样本数据学习基础上的,需要足够多标记好的样本数据才能保证模型的性能,当样本数据集趋于无穷大时,学习模型也越趋向于真实模型。然而在实际应用中,这个条件往往很难得到满足。如果能将样本数据的先验知识融合到支持向量机回归中,就可以弥补样本不足的缺陷。本文提出一种融合先验知识的支持向量机回归方法,给出了理论推导的一般形式,并通过实验证明该方法的有效性。     

基于支持向量机方法的噪声图像分割

图像分割是计算机视觉领域的关键技术之一。支持向量机方法被认为是好的学习分类方法之一,特别在小样本、高维情况下,具有较好的泛化性能。针对噪声图像的分割,提出了模糊权重支持向量机方法。分割实验表明,与经典支持向量机方法相比,模糊权重支持向量机方法具有更强的抗噪性。     

基于支持向量机方法的多目标图像分割

在核主成份分析的特征提取基础上,采用支持向量机方法对多目标图像进行分割研究.实验结果表明,结合核主成份分析的特征提取,支持向量机方法是一种很有前景的多目标图像分割技术.     

基于支持向量机核函数算法的图像分割研究

为了提高图像分割的质量,采用支持向量机核函数算法。首先寻找像素分类间隔最大的最优分类面,将非线性输入空间的样本映射到高维特征空间进行求解;然后局部核函数选择高斯径向基核函数,全局核函数选择多项式核函数,为了满足训练集中支持向量取值带来的连续性要求,通过组合系数平衡高斯核函数和多项式核函数的权重;接着选择像素的邻域灰度均值作为用于分割的特征,利用不规则度统计图像邻域灰度均值连通区域的离散程度;最后给出了算法流程。实验仿真显示本文算法分割图像清晰,目标区域十分突出,定性分析中指标归一化互相关系数为0.9946,分割时间为0.7512,误割率为0.0237。     

基于支持向量机的版面分割问题研究

版面分割是版面分析的重要组成部分,实现复杂版面的快速、有效分割是目前亟待解决的问题。针对复杂版面分割问题,文中将相位一致性统计特征和改进灰度共生矩阵的纹理特征相结合,得到一种新的组合特征向量。将该组合特征向量作为训练样本,最终得到基于支持向量机的复杂图像分割算法。实验结果表明,与其他方法相比,基于支持向量机的方法在版面分割任务中表现出了较好的召回率与准确率,能有效区分复杂图像中的各类不同区域,该方法为如何提高复杂版面的分割准确率提供了理论参考。     

支持向量机及其在医学图像分类中的应用

支持向量机被看作是对传统分类器的一个好的替代,特别是在高维数据空间下,具有较好的泛化能力。本文首次采用支持向量机方法对医学图像进行了分类研究。为了检验该分类方法的有效性与稳健性,对不同的噪声图像进行试验,试验结果表明,即使存在噪声的情况下,支持向量机方法也能获得较好的分类结果。     

基于支持向量机的彩色图像分割研究

为了提高彩色图像分割方法的性能,提出一种基于支持向量机的手动选择样本点集的分割方法。该方法通过人为主观观察颜色特征变化,在像素峰值处选择样本点,使得背景和目标样本点的颜色差异较明显,达到了简化样本点的目的,从而实现了彩色图像的快速分割,同时比较和分析核函数参数及样本点数目的不同对分割效果的影响。实验证明,与传统的窗口取样相比,该方法更加的快速有效,且算法简单,易于推广。     

基于支持向量机的血液细胞核彩色图像分割

对血液细胞核进行精确的分割是自动分析与识别的关键环节，现有经典算法很难获得满意的效果。本文将分割问题转化为分类问题，利用支持向量机（SVM）实现血液细胞核彩色图像分割。为了获得最佳的分割效果，对采用不同色彩空间、核函数及样本数量的分割结果进行了详细的比较和分析。实验结果表明，与目前经典的分割算法比较，该算法具有分割速度快、准确率高及泛化性强等优点。     

支持向量机在遥感图像分析与处理中的应用

由于遥感影像数据具有多传感器、多平台、多时相、多光谱和多分辨率的海量数据特点,对其分析与处理具有一定的困难,而支持向量机作为一种新的学习方法,恰好能有效解决遥感图像处理中常见的困难.结合遥感图像和支持向量机的特性,重点分析了支持向量机在遥感图像分类、遥感图像压缩、遥感图像特征提取等方面的应用.对支持向量机在遥感图像分析与处理中的应用趋势及有待进一步研究的问题进行了探讨.     

基于改进的一对一支持向量机方法的多目标图像分割

支持向量机方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、高维情况下,具有较好的泛化性能.文章对一对一支持向量机方法进行了改进,并采用其对多目标图像进行了分割研究.实验结果表明,支持向量机方法是一种很有前景的图像分割技术.     

PSVM多类分类及其应用

近似支持向量机(PSVM)在支持向量机(SVM)的基础上,变不等式约束为等式约束,只需求解一组线性等式,避免了求解二次规划问题,使得算法更快、更简洁,在两类分类问题中取得较好应用.探讨了3种基于两类PSVM的多类分类方法,在标准数据集上进行了验证,并与标准SVM的结果进行了比较,结论表明3种PSVM多类分类方法能取得较好的分类性能.     

支持向量机的分类策略在图像识别中的应用

针对目前图像识别中能够获取的样本数非常少,而基于支持向量机的分类策略具有利用较少训练样本达到很好的分类结果能力的优点,阐述了支持向量机的基本原理,介绍了支持向量机的多模式分类策略,重点说明了"M-ary"分类策略的改进方法,即在M-ary分类策略中引进二进制编码分类,这样可以提高图像的识别速度,以及改进后的"M-ary"分类策略在车型识别中的应用.     

基于机器学习的图像分割算法研究

图像分割是计算机视觉研究中重要的一部分,其主要目的是在图像中将兴趣域目标与背景分割,关系到后续的目标识别、图像理解等操作的准确性.经过几十年的发展,许多优秀的图像分割的方法被提出.机器学习是当今时代的研究热点,基于深度卷积神经网络等机器学习的图像分割研究进展迅速.总结介绍了应用于图像分割的几种典型机器学习方法,分析比较了相关的分割原理步骤、优缺点和发展现状.最后分析了基于机器学习的图像分割算法的发展方向.     

小波支持向量去噪

噪声对图像质量产生不利影响,降低了图像的应用价值,为了更好的消除图像中的噪声,提出一种小波支持向量去噪方法.首先采集大量的激光散斑图像,并将它们划分成为训练图像集和测试图像集,然后将训练图像集输入到小波支持向量机进行学习,将图像中信号划分为噪声和有用信息,最后采用测试图像集对小波支持向量机去噪性能进行测试与分析.实验结果表明,相比于其它激光散斑图像去噪方法,小波支持向量机可以更加有效的去除噪声,可以很好的保护图像边缘细节信息,提高了激光散斑图像的质量.     

基于证据理论和支持向量机相融的烟雾图像检测算法

针对传统烟雾图像检测算法低检测率缺陷,提出一种证据理论和支持向量机相融合的烟雾图像检测算法(DS-SVM).首先分别提取主方向性状、高低频能量比、烟雾面积增长等3类烟雾特征,然后3类单特征的支持向量机检测结果作为D-S理论的独立证据,构造基本概率指派,最后根据决策规则和判决门限获得烟雾图像的最终检测结果.仿真结果表明,相对于传统检测算法,DS-SVM有效提高了烟雾图像检测率,可以满足不同环境下烟雾图像检测要求.     

基于图像处理技术与支持向量机的鱼龄识别

采用图像处理技术,提出了一种基于核主成分分析(KPCA)与支持向量机(SVM)的鱼年龄自动识别新方法。首先通过KPCA提取鱼的耳石图像的主元,然后用SVM对鱼的年龄进行学习、识别和预测。实验表明,该方法取得了较好的效果。     

基于特征加权和支持向量机的图像分类研究

利用图像特征加权方法和支持向量机实现了图像的有效分类。首先根据特征的稳定性来判断特征的重要程度,从而赋予不同权重;然后借助支持向量机实现图像分类;最后采用不同颜色和纹理特征验证了在特征加权和不加权情况下图像分类的准确程度。实验结果表明本文的方法有效提高了图像分类的准确性。     

基于参数优化支持向量机的火焰图像识别

图像型火灾探测的主要问题是关于火焰和干扰物的识别。通过提取火灾图像特征,利用支持向量机来进行识别。为提高火灾准确预报率,用参数优化后的支持向量机来预报。提出一种混沌粒子群算法对支持向量机进行参数优化。实验表明,改进的粒子群算法比传统方法的火灾准确预报率有大幅提高,可以进一步降低火灾探测系统的误报。     

支持向量机及其改进算法研究

支持向量机基于结构风险最小化原则，在经验风险和泛化能力之间折衷。它以其良好的性能。在分类领域得到越来越广泛的应用。探讨了SVM的基本原理，研究了在其基础上的一些改进算法，分析了它们之间的联系和区别，为在实际应用中选择最佳的模型提供参考。     

一种改进的支持向量机分类器

提出了一种将支持向量机分类和最近邻分类相结合的方法,形成了一种新的分类器.实验结果表明使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率,同时可以较好地解决应用支持向量机分类时核函数参数的选择问题.