非平衡二叉树主动学习支持向量机

针对传统的二分类支持向量机在数据种类繁多并含有很多不带标签的样本时的固有缺陷,提出了一种主动学习与非平衡二叉树结合的多类分类支持向量机.该方法首先通过类距离构造一个非平衡二叉树结构,从易到难依次构造节点,将最容易分出的类放在根节点,然后利用主动学习策略,自动为选择的样本添加标签,并添加到训练样本集中.实验结果表明本文提出算法性能优于常规主动学习支持向量机,有效提高了分类精度,且大大缩短了算法运行时间.     

一种改进的支持向量机多类分类方法

提出一种新的基于二叉树结构的支持向量机(SVM)多类分类方法.该方法解决了现有主要算法中存在的不可分区域问题,具有简单、直观、重复训练样本少的优点.为了提高分类模型的推广能力,必须使样本分布好的类处于二又树的上层节点,才能获得更大的划分空间.因此,该算法采用类间散布度量与类内散布度量的比值作为二叉树的生成算法.采用UCI标准数据集实验,实验结果表明该算法具有一定的优越性.     

基于支持向量机的数字调制识别算法

在非协作通信中,需要对接收的信号进行调制方式的自动识别.在高阶累积量城内构造信号识别的特征向量,采用基于二又树的支持向量机将识别特征向量映射到高维空间并构造最优分类超平面,实现对数字调制信号的自动识别.该算法不仅结构简单、计算量小,而且解决了样本在低维空间中的不可分问题,具有良好的泛化推广能力.理论分析和仿真结果证明了...     

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。     

基于支持向量机的调制模式识别技术研究

为了完成对8种模拟数字混合信号的调制模式识别,采用了基于二叉树扩展的支持向量机作为分类器,从待识别的信号的瞬时幅度,瞬时频率和瞬时相位中提取七类特征作为特征参量的方法,获得了对8种调制模式精确稳定估计的结果,具有实时性好、分类模式多和扩展性能好的特点。     

基于支持向量机的实际调制信号识别

提出一种基于支持向量机的实际调制信号自动识别新方法。利用支持向量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。计算机仿真结果表明，该方法对实际采集的信号具有很好的分类性能。     

基于支持向量机的语种识别

支持向量机是统计学习理论的一个重要分支,也是解决模式识别问题的一个有力工具.现简要介绍支持向量机理论,构建基于径向基函数的支持向量机,对分别来自两个不同的电话语音数据库中的汉语普通话、英语、日语、白族语和纳西语等5种语言进行识别研究.实验结果表明,支持向量机, 对不同数据库语言的语种识别依然能达到比较高的识别率.     

改进的投影孪生支持向量机

针对投影孪生支持向量机（Projection Twin Support Vector Machine,PTSVM）在训练和求解过程中存在的问题,提出了一类改进的投影孪生支持向量机（Improved PTSVM）,简称为IPTSVM.该文首先构造了改进的线性投影孪生支持向量机,然后利用核技巧轻松将其推广到了非线性形式.本文的主要贡献有：（1）提出了投影孪生支持向量机的新模型,克服了原始PTSVM在训练之前需要求解两个逆矩阵的问题;（2）继承了传统SVM（Support Vector Machine）的精髓,利用核技巧直接将线性IPTSVM推广到非线性形式;（3）引入了一个新的参数,可以调节模型的性能,提高了IPTSVM的分类精度.实验结果表明,与PTSVM算法相比较,IPTSVM不仅提高了分类精度,而且克服了PTSVM的一些不足.     

基于支持向量机的亚健康状态识别

利用HK-2000C集成化数字脉搏传感器提取人体左关处桡动脉脉搏信号,然后计算脉搏功率谱,并在此基础上提取功率谱峰值、功率谱重心及其对应频率的特征量,最后利用支持向量机(SVM)对所提特征进行分类.通过与线性判别式分析(LDA)法分类结果对比可以看出,SVM算法有着理论上的突出优势,但在实际应用中,由于样本数目有限,而且在其核函数选择和参数调整方面,均需要视经验值而定,因此推广性较差,还需要进一步的研究和改进.     

基于支持向量机的辐射源识别算法

为了提高电子对抗设备对辐射源的识别能力,采用小波包变换法提取信号的时频谱特征,并引入支持向量机完成对辐射源的分类。小波包变换对信号局部的时频特征具有较好的分辨率,支持向量机分类器结构简单、可获得全局优化、泛化能力强。仿真结果表明,基于支持向量机的辐射源分类方法的正确率优于传统算法。     

基于图像特征及改进支持向量机算法的交通标志识别

研究一种基于图像特征以及改进支持向量机算法的交通标志识别方法。使用颜色以及形状特征对交通标志图像特征进行提取,使用Gabor滤波方法增强处理交通标志图像。针对支持向量机识别算法的精度在很大程度上受到基本参数的影响,通常根据经验来进行参数的选取等问题,使用模拟退火算法对支持向量机的参数进行优化选择。研究结果表明,使用研究的交通标志检测方法的检测精度高于其他三种方法,使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。     

基于支持向量机的未知雷达用途识别技术

雷达用途识别是雷达目标威胁评估的重要方面.在简要阐述支持向量机(SVM)基本原理的基础上,系统地论述了基于优化惩罚因子C参数的支持向量机算法和交叉验证法相结合的未知雷达用途识别方法.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而对未知雷达用途进行识别.识别实例表明,该方法识别结果令人满意,使基于常规分类方法可能存在的无法识别或误识别等现象得到了明显的改善.     

一种改进的基于支持向量机的OFDM识别算法

针对OFDM信号与单载波信号调制识别,提出了一种基于高阶累积量特征的改进方法.通过分析复信号幅值的归一化四阶累积量特性,以及信号的瞬时频率和功率谱特征,改进和提出新的特征参数,采用支持向量机分类器,实现了AWGN信道下包括OFDM在内的9种信号的制式自动识别.该方法具有特征参数易于提取、抗噪性好、识别准确率高的优点.利用MATLAB仿真证明在信噪比不小于7dB的情况下,OFDM信号的识别准确率达99%.     

基于支持向量机的电子商城用户分类个性化推荐算法设计

电子商城作为用户经常性访问的场所,这对用户实时分类进而完成商品购买预测准确性提供了必要的数据基础,本文基于支持向量机技术,对基于登录用户实时分类,进而完成商品个性化推荐的预测过程进行了详细设计,以减少客户搜索商品的时间,提升网站的销售额。     

基于HHT和支持向量机的数字调制信号识别

提出了一种基于HHT和支持向量机的实际数字调制信号识别算法。首先介绍了HHT方法的基本原理，对三种数字调制信号进行分析，提出用于识别实际FSK，PSK和QAM信号的特征参数，然后运用支持向量机算法分类三种数字调制信号，仿真结果表明，在信噪比10dB时，识别率达95％以上。     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。     

基于支持向量回归机的计算机网络安全评价研究

针对神经网络方法在计算机网络安全评价问题方面存在的不足,提出了一种新的基于支持向量回归机的计算机网络安全评价方法。首先探讨了指标体系构建的原则,进一步建立了计算机网络安全评价指标体系,然后给出了指标的规范化方法并对计算机网络安全等级进行了划分,最后构建了基于支持向量回归机的计算机网络安全评价模型并给出了仿真实例。仿真实例的结果表明,所建立的评价模型具有较强的泛化能力,预测的精度较高。     

基于支持向量回归机的电能质量评估

针对传统方法和神经网络方法在电能质量评估方面存在的不足,提出了一种新的基于支持向量回归机的电能质量评估方法。依据电能质量标准和有关文献建立了电能质量评估指标体系,给出了电能质量评估指标的等级区间。基于支持向量回归机的原理和电能质量评估指标,建立了基于支持向量回归机的电能质量评估模型。应用实例的仿真结果表明,所建立的评估模型具有较强的推广能力,得出的评估结果与其他评估方法相比更为合理可信。     

基于支持向量机的雷达欺骗性干扰类型识别

本文把雷达目标回波信号和欺骗干扰信号纳入到统一框架下进行分析,提取了基于原子分解理论的特征及时延和频偏匹配度特征。最后利用支持向量机（Support Vector Machine,SVM）分类器,对雷达接收信号进行了分类识别。仿真结果验证了该方法不仅可以有效检测欺骗干扰信号的存在,还可以识别欺骗干扰信号的类型。