基于支持向量机的坦克识别算法

本文提出了一种基于支持向量机的坦克识别算法。在对图像预处理之后，运用颜色和纹理信息进行分割，采用基于数学形态学的算法求得边缘像素，提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验，实验表明基于支持向量机的坦克识别算法具有更好的性能。     

组合核函数支持向量机在水中目标识别中的应用

论文研究了支持向量机核函数构成条件以及不同核函数的特性，结合水中目标识别技术特点，提出了一种组合核函数支持向量机的方法。提取了基于小波变换的舰船辐射噪声奇异性、尺度-过零、尺度-能量特征，对水中目标进行了SVM分类识别。研究表明，基于组合核函数的支持向量机分类识别效果优于单独核函数的支持向量机识别效果。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

基于支持向量机与改进分水岭的红细胞识别算法研究

针对因红细胞重叠以及细胞试剂里含有杂质而造成红细胞识别不准确的问题,提出了一种基于支持向量机(Support Vector Machines,SVM)与改进分水岭算法的红细胞识别算法.算法首先提取原始图像的二值化图像中每个连通区域的形状特征;利用SVM识别单个连通区域与重叠连通区域;利用改进分水岭算法将重叠区域分割为单...     

基于一种改进支持向量机的非线性函数估计

该文利用对回归支持向量机的不敏感函数进行改进,使回归估计具有一定的鲁棒性能,并推导出改进的支持向量机的基本理论,给出了对偶优化问题,并结合一个具体非线性函数估计的例子进行了仿真实验,结果验证了所提出的方法的正确性和有效性。     

基于支持向量机的遥感影像分类研究

以焦作地区部分IKONOS遥感影像为数据源,采用支持向量机(Support Vector Machine,SVM)分类器,通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题。结果表明,利用SVM进行遥感图像分类的精度高,有明显的技术优势和应用前景。     

一种不平衡数据支持向量机分类算法

针对标准支持向量机在处理不平衡数据问题的缺陷,提出一种解决方法,首先采用一种改进上采样方法(Over-sampling)—SMOTE来平衡正负样本的数目,达到缓解两类样本数目悬殊的目的。然后引入差异惩罚思想对两类样本进行不同程度的惩罚。实验表明,本文提出的SDPC-SVM分类算法在处理不平衡数据的分类问题上具有可行性与有效性。     

基于多超平面支持向量机的图像语义分类算法

由于图像的低层可视特征与高层语义内容之间存在巨大的语义鸿沟,而基于内容的图像分类和检索准确性极大依赖低层可视特征的描述,本文提出了一种基于多超平面支持向量机的图像语义分类方法.多超平面分类器从优化问题的复杂度和运行泛化能力两方面进行研究,是最优分离超平面分类器一种显而易见的扩展.实验结果表明,本文提出的方法在图像语义分类的准确性方面要优于诸如采用色彩特征和纹理特征的支持向量机分类器的其它方法.     

基于复小波变换和支持向量机的缺陷类型识别

 针对传统缺陷检测存在的工序繁琐、不易在线实施、准确率低、容易受人为因素影响,以及用人工神经网络对小样本事件进行缺陷类型识别时存在泛化能力差和过学习等问题,提出一种基于复小波变换和支持向量机（SVM）模式识别理论的缺陷类型识别新方法．在利用小波对超声缺陷回波信号进行消噪的基础上,采用复小波变换获得缺陷回波信号的包络并提取其特征参数,构成输入特征向量后运用支持向量机进行分类．实验结果表明,该方法具有识别准确率高、泛化能力强、容易实现在线处理等优点．     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于变分模态分解的水下目标噪声特征提取及分类

当信号中存在异常事件引起的间歇现象时,传统的经验模态分解算法常易产生较为严重的模态混叠现象,严重影响目标特征提取的性能.文章在水下被动目标信号特征分析提取中引用变分模态分解算法.该方法能够自适应地对信号频带进行切割,极大程度上避免了传统模态分解算法所产生的模态混叠现象,提高了对目标特征提取的准确性,同时也避免了无效计算...     

基于混沌理论和支持向量机的人脸识别方法

针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力.     

支持向量机在混合气体种类光谱识别中的应用

针对混合气体种类光谱识别中组分气体特征谱线重叠严重的问题,将支持向量机用于混合气体种类光谱识别中,提出了一种基于支持向量机二值分类识别模型的逐一混合气体种类识别方法。利用支持向量机的核函数变换,将特征谱线重叠严重的光谱在高维空间变换为线性可分后再逐一进行混合气体种类识别。在天然气气体种类识别实验中,比较了不同核函数、数据预处理、特征提取、训练样本数等条件与识别结果的关系,结果表明,方法对1%浓度以上的天然气组成气体的正确识别率大于97%,在理论和实际应用中具有重要的推广价值。     

Hilbert谱特征提取与支持向量机的状态识别方法研究

本文介绍一种新的基于振动信号分析的状态识别方法,即Hilbert时频谱重心与支持向量机相结合的进行设备故障诊断的分类方法。根据信号的循环平稳性,采用同步平均对信号进行预处理,实现从时域到角度域的转换;之后进行经验模式分解,计算得到Hilbert时频谱;在此基础上计算Hilbert时频谱的重心,构建一个特征向量。最后采用支持向量机进行训练和学习,实现设备的状态识别。并以滚动轴承的状态识别为例证明此方法的有效性。研究表明,此方法有助于设备预知维修的发展。     

Magnetic resonance brain image classification based on weighted‐type fractional Fourier transform and nonparallel support vector machine

To classify brain images into pathological or healthy is a key pre‐clinical state for patients. Manual classification is tiresome, expensive, time‐consuming, and irreproducible. In this study, we aimed to present an automatic computer‐aided system for brain‐image classification. We used 90 T2‐weighted images obtained by magnetic resonance images. First, we used weighted‐type fractional Fourier transform (WFRFT) to extract spectrums from each magnetic resonance image. Second, we used principal component analysis (PCA) to reduce spectrum features to only 26. Third, those reduced spectral features of different samples were combined and were fed into support vector machine (SVM) and its two variants: generalized eigenvalue proximal SVM and twin SVM. A 5 × 5‐fold cross‐validation results showed that this proposed “WFRFT + PCA + generalized eigenvalue proximal SVM” yielded sensitivity of 99.53%, specificity of 92.00%, precision of 99.53%, and accuracy of 99.11%, which are comparable with the proposed “WFRFT + PCA + twin SVM” and better than the proposed “WFRFT + PCA + SVM.” Besides, all three proposed methods were superior to eight state‐of‐the‐art algorithms. Thus, WFRFT is effective, and the proposed methods can be used in practical. © 2015 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 25, 317–327, 2015     

复合基神经网络在水声目标分类识别中的应用

本文根据不同神经网络的分类特点，提出将径向基函数网络和多层感知器网络复合构成复合基网络，用于水声信号的分类识别，试验表明，该网络的分类能力及对未来训练目标的适应性优于ＢＰ网和ＲＢＦ网。     

Support vector machine classification applied to the parametric design of centrifugal pumps

In this article the parametric design of centrifugal pumps is addressed. To deal with this problem, an approach based on coupling expensive Computational Fluid Dynamics (CFD) computations with artificial neural networks as a regression meta-model was proposed in 2015 by Checcucci, Schneider, Marconcini, Rubechini, Arnone, De Franco, and Coneri, ‘A novel approach to parametric design of centrifugal pumps for a wide range of specific speeds’—Proceedings of the 12th international symposium on experimental and computational aerothermodynamics of internal flows, Lerici (SP), Italy. Paper No. 121. Here, the previously proposed approach is improved by also including the use of support vector machines as a classification tool. The classification process is aimed at identifying parameter combinations corresponding to manufacturable machines among the much larger number of unfeasible ones. A binary classification problem on an unbalanced dataset has to be faced. Numerical tests show that the addition of this classification tool helps to reduce considerably the number of CFD computations required for the design, providing large savings in computational time.