非球形分布数据集的去噪方法

针对传统支持向量机(SVM)对噪声点过于敏感,模糊支持向量机(FSVM)又对样本集几何形状过分依赖等问题,提出基于噪声过滤系统的粗糙支持向量机(NFS-RSVM)。该方法首先用噪声过滤系统(NFS)将极可能为噪声点的样本过滤掉;然后将数据间隐含的等价类信息作为双惩戒因子融入到支持向量机模型中,进一步区分有效样本和噪声样本。基于UCI数据集的仿真结果表明,NFS-RSVM方法能有效地将数据中的大部分噪声点去除,与传统的SVM和FSVM相比分类精度有一定程度的提高。因此,该方法在处理噪声样本较多又呈现非球形分布的数据集时,表现出较好的抗噪性、分类效果和泛化能力。     

ε-支持向量回归机算法及其应用

针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multinomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。     

基于C均值和SVM的SAR图像目标分类研究

针对SAR图像具有斑点噪声强和目标特征差异小的特点,通过研究地物特征,提出一种基于C均值和支持向量机(Support Vector Machine)的SAR图像目标分类算法.该算法的前端在特征空间运用C均值聚类算法,有效抑制斑点噪声;后端在图像空间运用支持向量机分类器,提高分类精度.实验结果表明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

基于 HOG 特征提取与 SVM 驾驶员注意力分散行为检测方法研究

驾驶员注意力分散是导致交通事故的主要原因,该文以驾驶员注意力分散行为图像为分类 目标,提出了一种基于方向梯度直方图(Histogram of Oriented Gradient,HOG)与支持向量机(Support Vector Machine,SVM)的行为检测方法。首先,获取图像中的感兴趣区域,并对图像进行增强、去噪及归一化处理;然后,提取图像 HOG 特征,进而采用交叉验证法对 SVM 分类器中的参数进行优化;最后,对视频图像中驾驶员的不同行为进行分类识别。实验中,通过与传统 SVM 算法以及基于局部二值模式的 SVM 算法进行对比,验证了所提方法具有更好的识别准确率。     

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...     

ε-支持向量回归机算法及其应用

针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multinomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。     

基于LS-SVM的图像去噪方法

支持向量机是一种基于统计学习理论的机器学习方法，该方法已广泛用于解决分类问题和回归问题。文中将最小二乘支持向量机应用于图像去噪中，并同小波去噪及中值滤波进行了比较分析。仿真结果表明，该方法能较好的保存图像细节，并具有很好的泛化能力。     

基于噪声分类与补偿的车载语音识别

针对现有车载语音识别系统在实际应用环境下噪声鲁棒性较差的问题,提出一种基于支持向量机(SVM)的噪声分类与补偿方法。采集各应用场景下的噪声构建SVM噪声分类器,利用SVM对待测语音静音段中的噪声进行分类,根据噪声类型选择相应的带噪训练模板进行噪声补偿,并将差分频谱倒谱系数作为特征参数进一步抑制语音段中的噪声,从而实现车载语音识别。实验结果表明,该方法可有效增强车载语音识别系统的噪声鲁棒性,并且与稀疏编码语音增强和能量规整倒谱系数特征增强方法相比,具有更高的语音识别率。     

基于背景噪声的图像伪作检测

一幅真实的数字图像中的噪声特征具有一致性,而由多幅数字图像拼接的合成图像的噪声特征没有一致性。本文,我们利用小波变换多分辨率的特点,依据原图像和篡改后图像的平均运算、细节运算不同的原理,采用了支持向量机（SVM）分类器的诸多常用核函数中的S形核函数进行分类识别,提出了基于图像背景噪声的图像伪作检测算法。该方法对于识别合成的数字图像具有显著效果,对合成图像的篡改操作有较好地鲁棒性。     

基于信息熵加权去噪的半监督SVM分类器

基于半监督学习思想,采用支持向量机算法来构建分类器,用大量未标识样本来改善分类器性能。标记后的未标识样本可能存在标记错误,采用信息熵加权的欧氏距离去噪方法,减少噪声样本对最优分类面构建的影响,并且对测试错误的数据进行人工反馈提高分类器精度。实验证明了该方法的有效性,去噪提高了分类器的准确率。     

结合支持向量机与C均值聚类的图像分割

针对支持向量机进行图像分割时需要用户设定训练样本问题,提出一种根据图像特征使用C均值聚类算法自动获取支持向量机训练样本的方法。首先将图像分成几个区域,对每个区域利用小波分解去掉含有图像边缘的区域,然后对剩余的平滑区域计算能量均值作为特征值,使用C均值聚类算法对平滑区域分类,将特征值与类别标记作为支持向量机的训练样本,最后用训练后的分类器对图像进行分割。实验结果表明提出的方法取得了很好的分割结果,同时用一幅有代表性的图像进行支持向量机训练,所产生的分类器可以应用于所有该类图像,因此可以很容易应用到体数据的分割中。     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

皮肤显微图像自动识别系统的研究

皮肤显微图像处理是医学图像处理的一个重要分支,在医疗卫生美容领域有非常广泛的应用价值和实际意义,本系统运用图像处理技术提取皮肤症状形状、大小、颜色特征,运用遗传算法和支持向量机相结合的方法进行特征选择。在此基础上用支持向量机建立分类器,对皮肤显微图像进行分类识别,实验结果表明该系统的识别性能较好。     

支持向量机在脑电信号分类中的应用

首先采用小波变换提取精神分裂症与健康人的脑电信号频率和空间的能量特征,然后用基于统计学习理论的支持向量机(SVM)分类器进行训练和分类测试,并比较了不同核函数和参数对脑电信号分类正确率的影响,最后与RBF神经网络的分类能力进行了实验比较。试验结果表明,利用基于支持向量机和能量特征的方法实现对脑电信号的分类可以取得理想的效果,精神分裂症患者和健康人的16导脑电信号在能量特征上表现出较高的模式可分性。这种分类方法在精神分裂症患者的病理诊断中具有一定的应用价值。     

基于图像及其预测误差图小波频域矩的隐写分析

提出了一种通用隐写分析方法,对图像及其预测误差图像进行3级小波分解,然后计算每个小波子带频域（对直方图进行离散付利叶变换）高阶统计矩组成78维特征,并用支持向量机（SVM）进行分类。对CorelDraw图像库的1096幅图像进行测试,实验结果表明,本文提出的隐写分析性能优于现有的主流方法。     

基于内容的图像检索中SVM和Boosting方法集成应用

提出一种适用于图像内容检索的AdaBoostSVM算法。算法思想是采用支持向量机(SVM)作为AdaBoost算法的分量分类器;基于相关反馈检索机制,通过增加重要样本来模拟AdaBoost算法的权重调整方法。在包含2000幅图像的数据库中进行了检索实验,结果表明AdaBoostSVM算法能有效提高系统的检索性能。     

一种基于快速特征选择的故障诊断方法

针对故障诊断中数据存在噪声和高维的缺点,使用一种快速特征提取方法对故障数据进行降维,该方法以特征信号的均值和方差作为其权重衡量的依据。利用支持向量机的模式分类功能,构造了基于特征提取的多故障分类器。实例表明,在保证诊断效果的情况下,该方法实现了数据降维,降低了运算复杂度。     

基于遗传算法和支持向量机的玉米品种识别

提出了一种基于遗传算法（GA）和支持向量机（SVM）的玉米种子的图像特征选择和分类识别的新方法。该方法首先用遗传算法对采集到的玉米种子图像的特征进行优化,而后采用决策二叉树的支持向量机分类算法对玉米品种进行识别。该分类算法将分类器分布在各个结点上,构成多类支持向量机,减少了分类器的数量和重复训练样本的数量。实验结果表明该方法能选出适合于识别的玉米种子特征并能对玉米种子进行正确地识别。     

基于支持向量机和k-近邻分类器的多特征融合方法

针对传统分类方法只采用一种分类器而存在的片面性,分类精度不高,以及支持向量机分类超平面附近点易错分的问题,提出了基于支持向量机（SVM）和k 近邻(KNN)的多特征融合方法。在该算法中,设样本集特征可分为L组,先用SVM算法根据训练集中每组特征数据构造分类超平面,共构造L个;其次用SVM KNN方法对测试集进行测试,得到由L组后验概率构成的决策轮廓矩阵;最后将其进行多特征融合,输出最终的分类结果。用鸢尾属植物数据进行了数值实验,实验结果表明：采用基于SVM KNN的多特征融合方法比单独使用一种SVM或SVM KNN方法的平均预测精度分别提高了28.7%和1.9%。