基于改进的AdaBoost和支持向量机的行人检测

针对AdaBoost算法在训练样本和特征较多时训练时间过长的问题,提出了一种改进的AdaBoot算法与支持向量机组合的分类器.对多重分类器的输出结果以非线性的方式组合,采用交替的方式轮流对不同的特征进行学习,将多重分类器处理完后的结果作为另一种输入样本,再以一个分类器做一次分类.实验表明该算法用于行人检测可行、性能稳定.     

基于人工鱼群优化支持向量机水文预报系统模型*

在深入分析比较各种水文预报方法的基础上,利用人工鱼群算法对支持向量机训练算法进行了改进,提出了基于人工鱼群优化的支持向量机算法。实验结果表明,基于人工鱼群优化的训练算法的训练速度优于标准的支持向量机的训练速度,能够为水文预报提供更快捷的技术支持。     

基于支持向量机的主动红外式结冰冰型分类方法研究*

针对飞机机翼等部位的结冰探测,提出了一种主动式红外结冰冰型分类的方法。该方法基于支持向量机,通过测量不同冰型结冰表面的红外激光反射系数,达到对结冰冰型分类的目的。初步试验结果表明,该方法能够以一定的准确性对物体结冰的冰型进行实时动态分类,为飞机结冰探测提供了一种新的技术思路。     

基于代价敏感支持向量机的推荐系统托攻击检测方法

基于标准支持向量机的托攻击检测方法不能体现由于用户误分代价不同对分类效果带来的影响,提出了一种基于代价敏感支持向量机的托攻击检测新方法,该方法在代价敏感性学习机制下引入支持向量机作为分类工具,对支持向量机输出进行后验概率建模,建立了基于类别隶属度的动态代价函数,更准确地反映不同样本的分类代价,在此基础上设计了代价敏感支持向量机分类器。将该分类器应用在推荐系统托攻击检测中,并与标准的支持向量机方法、代价敏感支持向量机方法进行比较,实验结果表明,本方法可以更精确地控制代价敏感性,进一步提高对攻击用户的检测精度,降低总体的误分类代价。     

基于PCA和SVM的遥感影像水体提取方法及验证

针对内陆湖泊水质及光谱特性空间差异性大、支流水系结构复杂而导致的遥感影像水体提取精度低的问题,提出了结合光谱主成分分析(PCA)及支持向量机(SVM)的PCA-SVM水体提取算法。基于GF-1卫星遥感影像,对原始影像光谱波段特征进行PCA降维,从中优选熵、方差、差异性纹理特征向量,结合原始波段及归一化差分水体指数(NDWI),构建了8维特征向量,并基于SVM算法提取湖泊水体。以巢湖洪水期与非洪水期影像为研究实例,分别采用NDWI法、传统SVM算法及PCA-SVM算法对水体进行提取,并进一步基于PCA-SVM算法对2020年汛期巢湖洪水期淹没演变过程进行反演和跟踪,定量解析特征向量组合及SVM惩罚系数C对水体提取性能的影响。结果表明：PCA-SVM算法提取的湖泊完整、支流连续,显著改善了含蓝藻水体漏提、建筑物误提等问题;洪水期和非洪水期提取结果的F1分数分别为95.08%和97.95%,虚警率分别为5.43%和1.13%,提取精度显著高于NDWI法和SVM算法。     

多尺度超像素分割和奇异谱分析的高光谱影像分类

目的 高光谱影像（hyperspectral image,HSI）中“同物异谱,异物同谱”的现象普遍存在,使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样,单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析,提出一种新的高光谱影像分类方法,从而充分挖掘地物的局部空间特征和光谱特征,解决空间尺度和光谱混淆的问题,提高分类精度。利用多尺度超像素对影像进行分割,获取不同尺度的分割影像,同时在分割区域内进行均值滤波,减少类内的光谱差异,增强类间的光谱差异;对每个区域计算平均光谱向量,并利用奇异谱分析方法获取光谱的主要鉴别特征,同时消除噪声的影响;利用支持向量机对不同尺度超像素分割影像进行分类,并进行决策融合,得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集,结果表明,利用本文算法提取的光谱—空间特征进行分类,比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度;与先进的深度学习SSRN （spectral-spatial residual network）算法相比,本文算法在精度上分别提升约5.2%、0.7%和4%,并且运行时间仅为前者的18.3%、45.4%和62.1%,处理效率更高。此外,在训练样本有限的情况下,两个标准数据集的样本分别为1%和0.2%时,本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题,提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明,本文方法优于对比方法,可以产生更精细的分类结果。     

基于改进SVM的互联网用户分类

由于传统模型大量约束样本,导致其学习能力下降,因此设计一个基于改进支持向量机(Support Vector Machine,SVM)的互联网用户分类模型.该模型通过构造样本数据,模拟互联网用户的浏览轨迹;根据用户偏好,制定全新的用户分类策略;基于改进支持向量机,实现对互联网用户的分类.性能测试:3次实验下,此次设计的模型分类准确率平均值为98.56%,超出了预设的期望值,具备分类能力.对比测试:与两组传统用户分类模型相比,此次设计的模型,面对不断增加的样本数据,同样能保持高水平的学习能力.     

基于CNN和SVM的疲劳驾驶闭眼特征实时检测

针对现有疲劳驾驶检测方法中实时性和泛化能力不足的问题, 本文提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)和支持向量机(Support Vector Machine, SVM)的疲劳驾驶闭眼特征检测方法, 使用CNN获取人脸相关特征点的位置并定位眼部感兴趣区域(Region Of Interest, ROI), 通过灰度化和直方图均衡化操作减弱光照差异的影响, 提取ROI的方向梯度直方图(Histogram of Oriented Gradient, HOG), 并用SVM对HOG进行分类, 相应的判断出原始图像是否包含疲劳驾驶闭眼特征. 本文给出了所提方法在PC平台和ARM平台实现的实时性验证, 在不同光照和背景条件下对多位受测人员进行测试, 实验结果表明该方法对疲劳驾驶闭眼特征检测准确率在94％以上, 处理速度满足实时性要求, 且具有较强的泛化能力.     

Automatic Quality Inspection of Bakery Products Based on Shape and Color Information

基于形状和颜色信息的烘焙产品的自动质量检测

Babar Khan,韩芳*,王直杰,Ather Iqbal

（东华大学 信息科学与技术学院,上海 201620）

创新点说明：

利用支持向量机和基于生物启发式HMAX模型的形状辨识器与RGB对抗颜色通道辨识器集成而形成一种有效的智能分类系统,并将其用于烘焙产品的质量检测。

研究目的：

本文要对烘焙产品进行更有效的质量检测,需要提出一种智能方法。

研究方法：

本文采用了支持向量机、基于生物启发式HMAX模型的形状辨识器与RGB对抗颜色通道辨识器集成,形成一种高级自动分类系统,对烘焙产品根据其形状和颜色（烘焙时间）进行对应分类。

结果：

利用本文方法对烘焙产品进行质量检测的结果与其它方法相比较,发现本文提出的基于生物启发的机器视觉系统运行更加精确和有效,同时发现采用One Versus One支持向量机和Directed Acyclic Graph支持向量机可以得到最大的分类精确率。本文方法对饼干形状和颜色的辨识分别达到了95%和100%的分类精确率。同时,算法稳定。

结论：

本文方法因其更加可靠和精确可用于代替现有的烘焙产品检测方法。

关键词：烘焙产品质量检测,计算机视觉,HMAX, 对抗颜色通道,RGB颜色辨识器,支持向量机

     

基于边分类的SVM模型在社区发现中的研究

社区发现是复杂网络研究的重要内容,也是分析网络结构的重要途径。分析了社区发现研究中存在的问题,提出了一种基于边分类的SVM模型。通过边顶点相似度和边介数来表示边的特征,从而构造分类函数。利用LFR生成社区结构已知的人工网络,通过人工网络数据训练基于边分类的SVM模型,对分类函数的参数进行估计,利用训练模型对真实网络进行社区分类并通过标准化互信息(NMI)和整体准确度来评价分类效果。实验得到了较高的整体准确度和NMI值。实验表明基于边分类的SVM训练模型对真实网络数据的社区划分有较高的准确度,表明该方法是可行的。