回归型支持向量机的系统辨识及仿真

本文详细阐述支持向量机(SVM)和最小二乘SVM(LS—SVM)的基本原理基础上。提出基于SVM的线性、非线性系统辨识。通过仿真分析并比较SVM、LS—SVM辨识与神经网络辨识结果,得到SVM、LS—SVM方法比神经网络具有更高的系统辨识精度和更好的泛化能力;LS—SVM算法比SVM快速。抗噪声能力强,更适合于动态系统辨识。     

基于支持向量机的系统辨识

支持向量机是在统计学习理论基础上发展的一种新的机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。该文利用支持向量机,选取不同的核函数,分别对线性自回归滑动平均模型、双线性模型、非线性模型进行模型辨识。仿真结果显示该方法具有良好的辨识性能。     

基于支持向量机的非线性系统辨识研究

研究了基于支持向量机的非线性系统辨识方法并进行了仿真试验,用交叉验证的方法进行支持向量机参数选择。有效的仿真结果表明支持向量机是非线性系统辨识的一种非常有效的方法。     

基于支持向量机的非线性系统辨识

本文针对未知非线性系统,提出了基于支持向量机(SVM)的系统辨识方法,并且通过仿真分析比较了基于SVM与基于RBF神经网络系统辨识及预测结果,仿真结果表明SVM方法比RBF神经网络方法具有更高的预测精度和更好的泛化能力。     

基于支持向量机的直接逆模型辨识

在简单讨论逆模型辨识原理的基础上,利用支持向量机(SVM)对函数逼近的能力,提出了基于支持向量机的直接逆模型辨识方法.分别采用二次核函数以及高斯RBF核函数,利用训练数据对线性和非线性系统进行黑箱辨识.仿真结果表明,基于支持向量机的直接逆模型辨识方法在处理线性和非线性对象时,辨识性能都优于传统的BP神经网络,不仅辨识精度高,辨识速度快,而且泛化能力较强.     

基于支持向量机的非线性系统辨识

支持向量机（SVM）是一种新的通用学习机器，它从结构风险最小化的角度，分析了学习过程的一致性，收敛速度等。SVM能以任意精度逼近一类函数，而与输入的维数无关，克服了传统神经网络用于系统辨识的维数灾问题及结构难以确定等,在于这一辨识的维数灾问题及结构难以确定等特点，基于这一特性研究了对非线性动态系统的辨识问题，仿真结果表明SVM用于系统辨识有良好的辨识效果，并指出了今后研究的方向。     

基于聚类支持矢量机的汉语方言辨识

该文提出了一种新的汉语方言辨识方法,来解决在总多辨识系统中存在的较弱辨识能力的问题,这种新方法运用高斯混合模型和N元语言模型,来产生一个全局的语言特征,然后使用聚类支持矢量机来做最后的分类。实验结果表明该方法不仅可以提高正确的辨识率,而且可以提高系统的鲁棒性。     

基于BP神经网络和支持向量机的电机故障诊断系统

故障诊断是计算机模式识别领域的一个活跃课题。文中提出一种基于BP神经网络和支持向量机（SVM）的电机故障诊断方法，设计了适合该诊断系统的网络结构。仿真结果表明：该网络结构比BP算法具有更快的学习速度和更高的学习精度，完全适用于电机故障诊断系统。     

基于支持向量机和神经网络的实时警报系统

根据芯片生产线等场所的需要和现有人工监控手段以及国外基于支持向量机相关产品的缺陷,该文利用图像的二维矩不变量理论,将实时图像转换成灰度图像后,甩CANNY算子作边缘检测,并计算边缘检测图像的二维不变矩,再利用支持向量机的支持向量回归理论对二维不变矩进行训练和识别,提出了一种基于支持向量机与神经网络的实时警报系统的设计算法,给出了算法实例和结果。从实验仿真结果和实际运行情况来看,算法的效果是令人满意的。     

基于支持向量机的模糊系统辨识研究

GK模糊聚类是一类广泛应用于分类的数据分析技术,能智能探测不同聚类的形状,但是存在迭代过程中聚类数恒定、公式中协方差矩阵要求非零等缺点。本文针对这些缺点,提出改进的聚类算法,针对现有的模糊辨识算法出现的维数灾难及函数逼近能力不高等问题,以语言模糊模型和缺少常数项的支持向量回归机的等价性分析为基础,提出一种支持向量机与模糊系统相结合的新辨识算法,并且利用梯度下降法对参数进行辨识;为了更好地缩减规则数及体现样本数据的信息,对输入的样本集又采用改进的GK模糊聚类对数据进行分类。     

一种静态特征与动态特征结合的方言辨识方法

针对MFCC仅反映语音静态特征导致的方言识别率低的问题,而SDC由于考虑了前后帧差分倒谱的影响,能反映语音的动态特征;同时考虑方言的静态与动态特征,对普通话、上海话、广东话和闽南话4种方言进行MFCC特征和SDC特征提取,将其两组特征组合送入支持向量机进行辨识,并研究了针对4种方言的SDC的局部最优参数组合。仿真实验结果表明,同时考虑方言的静态与动态特征方法的识别率高达92.5%,但识别率的提高是以延长运算时间为代价的。     

一种新的多类支持向量机算法

提出了一种新的多类支持向量机算法OC-K-SVM.对k类分类问题,该方法构造了k个分类器,每一个分类器只对一类样本进行训练.使用Benchmark的数据集进行了初步的实验,实验结果验证了算法的有效性.     

基于支持向量机的人眼检测

人眼检测是计算机人脸识别的重要部分。复杂环境下人眼定位容易受到光照以及人不同姿态的影响。为了解决复杂环境下的人眼定位问题,采用基于支持向量机的人眼检测算法,首先对复杂环境下采集的不同人的人眼样本进行灰度化均衡以及小波变换,将变换结果表示成向量形式,运用序贯最小优化算法进行训练,得到一组支持向量,然后遍历待检测人脸图利用支持向量所构成的分类器进行人眼初检,最后根据先验知识完成信息融合,最终标定人眼。实验结果表明,该算法对各种复杂环境下的含人眼图像有普遍的适应性和有效性。     

一种基于线性SVM的级联分类器的构造方法

为了对目标进行快速的检测,提出了一种新的基于支持向量机的级联式分类器的构造方法。该级联分类器由若干个线性SVM弱分类器构成,结构简单,分类时间极快。针对级联结构中的每个节点的训练给出了一个新的SVM框架下的二次规划模型,这使得每个节点都有较高的正样本检测率和适当的负样本错检率。实际的实验结果表明,与经典非线性SVM分类器相比,这种分类器在保持SVM较强泛化性能的优点的同时,在检测效率方面更是具有明显的优势。     

基于ICA和SVM的局部人脸识别方法

ICA(Independent Component Analysis)方法使用数据的高阶统计信息抽取数据的独立分量特征.但由于人脸面部表情各异,使得这种方法并不稳定.因此提出一种基于局部人脸的ICA方法.首先对人脸进行局部分块,然后对各块进行ICA特征提出并各块合理权重,最后使用SVM(Support Vector Machine)方法对其进行分类.     

基于SNPE和SVM的人脸识别

在人脸识别方面,传统的特征提取方法大都是线性方法,不能很好保持样本的拓扑结构。分类方面,支持向量机能够尽量提高学习的泛化能力,防止过学习,是一种很好的分类器。提出了一种基于SNPE和SVM的人脸识别方法。采用有监督模式确定NPE算法中的K值。SNPE算法旨在保持数据的局部流型结构,而且相对于近期提出的LLE算法,它能够适用于训练样本和测试样本,具有更大的实用型。结合两分类支持向量机级联模型进行人脸识别,在ORL人脸数据库上实验表明,算法具有稳健性、快速性等优点,实验效果令人满意。     

支持向量机在显微图像分类中的应用研究

根据微生物显微图像中微生物形态各异、目标重叠、灰度接近等特性,提出了一种新的显微图像分类识别方法。该方法利用变差函数对微生物显微图像纹理信息进行特征提取,根据支持向量机模式识别原理建立分类识别模型。将该方法应用于两类微生物分类,并与基于神经网络方法的分类结果进行对比分析,结果表明,该方法具有较高的分类精度。     

基于支持向量机和不变矩的交通标志检测

交通标志检测在智能交通系统中的作用是帮助驾驶提高安全性。交通标志都具有特定的颜色和形状,但是现有的检测方法大多使用固定阈值分割等非智能方法,缺乏自适应性和鲁棒性。使用支持向量机分割彩色交通标志图像,再结合形状特征,实现了一种新的智能检测方法;并以蓝色交通指示标志为检测对象,使用所提出的方法进行实验。实验结果表明,该方法鲁棒性好、检测准确率高。     

基于可变模板和支持向量机的人体检测

随着图像处理技术和模式识别技术的发展，人体检测在监控系统、驾驶员辅助系统、图像索引等领域已得到广泛应用。针对静态图像中站姿人体检测问题，提出了一种新的特征选取方法，并应用可变模板和支持向量机相结实现对图像中的人体检测和定位。通过对图像进行轮廓提取和网格划分，选择水平方向和垂直方向上的特征组成图像的特征向量，然后使用搜集到的样本特征向量对模型进行训练，用可变模板搜索待检测图像，根据检测区域的特征和训练好的模型对图像进行分类。实验结果表明，该方法可以快速准确地检测出多种背景图像中的站姿人体,正确分类率达92%以上。     

支持向量机分类器遥感图像分类研究

SVM分类器核函数的选择以及参数的设置直接影响系统的泛化能力和运行速度。引入交叉验证技术和栅格搜索技术,对径向基核、多项式核和Sigmoid核函数应用于图像多类别分类的性能进行理论推导、测试及分析,求得三种核函数应用于SVM分类器的性能,并证明了栅格搜索寻找最优参数的有效性。最后通过对TM 6波段BSQ格式遥感图像进行分类对比证明了SVM分类器核函数用于TM图像分类的可行性及高效性。