基于加权多宽度高斯核函数的聚类算法

针对在支持向量聚类,当样本分布不均匀时,单宽度的高斯核限制了支持向量机泛化性能,影响了聚类效果的问题,提出一种基于加权多宽度高斯核函数的支持向量聚类算法。加权多宽度高斯核函数比单宽度的高斯核有更多的可调参数,通过多参数调节,可提高泛化能力,改善聚类效果。仿真实验表明,与单宽度的高斯核相比,加权多宽度高斯核可以有效聚类,从而证明了该算法的有效性。     

基于支持向量机的星载SAR信号识别技术研究

针对星载合成孔径雷达(SAR)信号的电子对抗侦察识别问题,提出了一种基于支持向量机的星载SAR信号分类方法。该方法基于样本聚集性构建二叉树结构,解决了支持向量机的多分类问题;同时减小了二叉树结构的分类误差积累,选择高斯核函数解决样本的非线性问题,并采用遗传算法对模型参数进行优化,从而提高模型的分类性能。文中对加拿大的Radarsat-2星载SAR卫星的四种信号进行了分类仿真,并与传统的参数匹配法进行了比较,结果表明文中的方法具有较好的识别率,同时模型的泛化能力也比较强,有利于解决对星载SAR 的侦察难点问题。     

混沌优化的仓储害虫声音信号识别研究

为了提高仓储物害虫声音信号的自动识别率,寻找支持向量机模型参数C和核宽度参数σ的最优组合,提出了基于混沌优化的支持向量机模型参数自动选择算法.基于径向基核函数(Radial Basis Function,RBF)的支持向量机模型参数C和核宽度参数σ对其泛化能力有很大的影响,首先产生Logistic映射和圆映射的混沌混沌数值序列,而后以通过载波形式将混沌变量的值域"放大"至参数(C,σ)的取值空间,寻找优化变量(C,σ)的最优组合.与网格法的比较实验结果表明,该方法不但可以提高分类识别率,而且显著减少了支持向量机的训练个数,并使支持向量机具有更好的推广能力.     

基于粒子群优化的SVM供水管道泄漏诊断方法

供水管道泄漏会造成水资源浪费和经济损失,传统支持向量机泄漏诊断模型中存在参数选择不确定的问题,导致其分类结果不稳定。提出将粒子群进化算法应用于泄漏诊断支持向量机模型中的参数优化选择,利用粒子群群体智能优化搜索从全局迅速地迭代出合理的支持向量机的惩罚参数以及核参数,使建立的PSO-SVM管道泄漏诊断模型达到最优。实验测试表明,通过结合粒子群算法全局搜索收敛速度快的优点,有效地解决了支持向量机模型中两个重要参数优化选择的问题,提升了支持向量机分类的准确率和效率。     

基于相似度量的模糊支持向量机算法研究

基于统计学习理论,核被看做是一种相似度测量模型.核函数是支持向量机算法的核心,利用核函数可以将低维不可分数据映射到高维空间,并进行最优分类研究.但孤立点或噪声数据都会影响最优分类平面和最优分类函数,所以提出利用相似度测量构建模糊核函数.相比高斯核函数和模糊sigmoid核函数的分类支持向量模型,本文提出的模糊相似核函数在支持向量机运算中计算成本最低,可以提供更高的准确率,同时可以避免传统模糊核函数的限制.     

多尺度高斯模型的短期负荷预测

为了准确地进行电力负荷的短期预测,借鉴小波分析中对函数进行多尺度表示的思想,文中在高斯过程模型的基础上提出了多尺度高斯过程模型.通过选择合适的尺度参数,采用计算预测均方误差值大小的策略获取最佳延迟时间和最优嵌入维数对,然后对西北某地区电力系统进行短期负荷预测.与传统的支持向量机、径向基函数网负荷预测方法相比,基于多尺度高斯过程模型的短期负荷预测方法预测精度与支持向量机方法相当,性能优于径向基函数.     

参数自适应决策的多分辨率核支持向量分类器

为克服经典支持向量分类器(SVC)训练算法中参数的选择需要多次人工调整的缺陷,本文提出了基于多分辨率核的支持向量机参数自适应调节策略。首先通过分析非线性核映射的特征空间超平面的最小VC维数,提出了多分辨率核函数参数的自适应优化准则。然后通过迭代求解获得最优泛化能力的多分辨率核参数数值。多分辨率核函数方法保持了经典SVC训练算法结构风险最小化的原则,克服了经典SVC选择单一参数的缺陷。仿真实验结果表明本文提出的算法能够自适应的选择合适的核参数达到最优泛化能力。     

基于蚁群支持向量机的模拟电路故障诊断

针对人为选择支持向量机参数的随机性和盲目性,将蚁群算法的全局收敛和并行计算的特点引入到支持向量机参数的优化中,建立了基于蚁群算法优化支持向量机参数的模型,使两种算法的优点有机结合,通过对支持向量机的惩罚因子和核函数参数进行优化,使支持向量机分类效果达到最好,并与遗传支持向量机模型比较,结果表明:蚁群算法优化支持向量机参...     

一种基于SVM的雷达目标识别算法

针对目前支持向量机多类分类方法存在的缺点,丈中对支持向量机的高斯核函数进行改进,并提出一种结合留一法和单一验证法的参数选择新方案.基于3种雷达目标的HRRP数据,设计了相应的预处理算法,利用改进的SVM分类法用于高分辨距离像的雷达目标识别.从实验目标姿态稳定性、训练集大小稳定性和抗噪能力三个方面验证改进SVM的稳健性.     

基于遗传算法的双子支持向量机的模型选择

双子支持向量机是在支持向量机的基础上提出的一种新的机器学习方法。与传统支持向量机相比,双子支持向量机寻找的是一对不平行的超平面,计算效率是传统支持向量机的4倍。然而,双子支持向量机的参数较多,在应用过程中存在较大局限性。在研究了惩罚参数和核参数对双子支持向量机分类性能影响的基础上,利用遗传算法来选择双子支持向量机的参数,避免了盲目的模型选择。实验结果显示,所提算法能有效选择合适参数,获得的参数能使双子支持向量机具有较好的泛化性能,同时也更加高效。     

基于改进高斯核函数的雷达高分辨距离像目标识别算法研究

针对支持向量机的核函数选择问题,在保形变换方法的基础上,分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法。利用支持向量机的高斯核函数,提出一种基于改进的高斯核函数雷达目标高分辨距离像的研究方法。该方法对SVM的高斯核函数进行改进,并进行核函数选择。通过改进的高斯核函数与多项式核函数进行比较,在Matlab环境下采用两种方法对高分辨距离像进行仿真,仿真方法验证并改进了高斯核函数的有效性。     

基于机器视觉的印刷套准识别方法研究*

针对印刷套准检测存在的精度低、速度慢的问题,提取了印刷标志图像的Tamura纹理特征：粗糙度、对比度和方向度,以描述其印刷标志套准或套不准特征;设计了支持向量机的分类器对印刷标志图像进行套准识别,并采用高斯径向基核函数用于非线性数据的分类。实验结果证明,采用建议的印刷标志图像特征提取和分类方法,识别准确率达到90%,识别时间为0.032751秒。本文建议的方法在识别准确率和识别速度上都优于人工检测和文献8的方法。     

Visual classification with multitask joint sparse representation

We address the problem of visual classification with multiple features and/or multiple instances. Motivated by the recent success of multitask joint covariate selection, we formulate this problem as a multitask joint sparse representation model to combine the strength of multiple features and/or instances for recognition. A joint sparsity-inducing norm is utilized to enforce class-level joint sparsity patterns among the multiple representation vectors. The proposed model can be efficiently optimized by a proximal gradient method. Furthermore, we extend our method to the setup where features are described in kernel matrices. We then investigate into two applications of our method to visual classification: 1) fusing multiple kernel features for object categorization and 2) robust face recognition in video with an ensemble of query images. Extensive experiments on challenging real-world data sets demonstrate that the proposed method is competitive to the state-of-the-art methods in respective applications.     

基于一种混合核函数的支持向量机聚类

在支持向量聚类中,采用单个核函数的支持向量机具有很大局限性,为了得到学习能力和泛化能力都很强的核函数,采用了一种新的混合核函数。将该混合核函数应用于支持向量聚类运算中,并且与普通核函数构造的支持向量机的实验结果进行了对比。结果表明了该方法的有效性。     

用改进核函数提高SVM的雷达目标识别率

对支持向量机中的高斯核进行了改进,利用改进的高斯核构造了一维高分辨率距离像的雷达目标识别算法,并将幂变换引入预处理过程.该技术提高了识别率,减少了识别时间;同时对所完成的目标识别算法的性能进行了评估,从方位角大小、信噪比和训练数据大小三个方面验证了该算法的稳健性.     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出结合多源特征和高斯过程模型的方法。分别利用主成分分析(Principal Component Analysis,PCA)、非负矩阵分解(Non-negative Matrix Factorization,NMF)以及单演信号提取SAR图像的特征矢量,并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性,从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类,基于融合特征矢量获得概率意义上的最佳决策。实验中,采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题,结果验证了提出方法的优越性能。     

基于支持向量机分类识别的行人航迹推算室内定位

在行人航迹推算(Pedestrian Dead Reckoning,PDR)的室内定位方法中,行人运动状态的识别和采集设备(通常是智能手机)的模式识别都对定位精度有一定影响。为了提高定位精度,首先利用粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine,PSO-SVM)中的高斯核函数的宽度σ和惩罚因子C构建新的分类器。其次,对手机采集的4种行人运动状态和手机的4种不同状态进行识别,并选择不同的数据特征进行模式分类识别,与K最近邻法(k-Nearest Neighbor,KNN)和一般支持向量机(Support Vector Machine,SVM)的模式识别方法进行对比。最后,在室内进行PDR定位实验。实验结果表明:改进后的分类识别方法具有更高的识别准确率,同时在识别行人运动模式和手机模式的前提下,PDR室内定位效果比传统PDR定位方法效果更好。     

基于MKSVM的多示例学习算法及刑侦图像分类

针对刑侦图像分类问题,提出一种基于多核支持向量机的多示例学习(MIL)算法.首先,该方法采用金字塔网格划分法对刑侦图像进行分块,再将每幅图像作为一个多示例包,每个子块的底层视觉特征作为包中的示例,将刑侦图像分类问题转化为MIL问题;然后,采用K-means双重聚类方法对所有多示例包进行聚类生成聚类中心并定义为视觉字,再把视觉字的集合构造成视觉投影空间;最后,通过设计的非线性投影函数将每个包映射为视觉投影空间中的一个点,则MIL问题被转化为一个标准的有监督学习问题,并采用多核支持向量机(MKSVM)来训练刑侦图像分类器.基于真实刑侦图像库的对比实验表明,所提方法具有较好的鲁棒性,且分类精度高于其他方法.