Combining clustering and classification for remote-sensing images using unlabeled data

A joint clustering and classification approach is proposed.This approach exploits unlabeled data for efficient clustering,which is applied in the classification with support vector machine(SVM) in the case of small-size training samples.The proposed method requires no prior information on data labels,and yields better cluster structures.Through cluster assumption and the notions of support vectors,the most confident k cluster centers and data points near the cluster boundaries are labeled and used to train a reliable SVM classifier.Our method gains better estimation of data distributions and mitigates the unrepresentative problem of small-size training samples.The data set collected from Landsat Thematic Mapper(Landsat TM-5) validates the effectiveness of the proposed approach.     

基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术

针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法.利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余.并且采用了最小二...     

一种基于形状的红外图像泄漏气体检测方法

针对工业生产中泄漏气体导致的爆炸和火灾问题, 提出一种基于形状和SVM分类的红外图像泄漏气体检测方法。采用泄漏气体和干扰物红外图像样本的形状特征训练SVM分类器, 通过对红外图像序列采用基于背景差分的运动检测得到候选目标区域, 再对候选目标区域提取其形状特征, 最后使用SVM分类器进行判别, 从而得到最终的检测结果。使用乙烯气体泄漏仿真数据进行实验, 检测率最高可达98%, 结果表明, 采用该方法可以有效检测泄漏气体, 相比其他方法, 极大地减少了干扰物造成的误检。     

VIS/NIR imaging application for honey floral origin determination

Nondestructive methods are of utmost importance for honey characterization. This study investigates the potential application of VIS-NIR hyperspectral imaging for detection of honey flower origin using machine learning techniques. Hyperspectral images of 52 honey samples were taken in transmittance mode in the visible/near infrared (VIS-NIR) range (400–1000 nm). Three different machine learning algorithms were implemented to predict honey floral origin using honey spectral images. These methods, included radial basis function (RBF) network, support vector machine (SVM), and random forest (RF). Principal component analysis (PCA) was also exploited for dimensionality reduction. According to the obtained results, the best classifier (RBF) achieved a precision of 94% in a fivefold cross validation experiment using only the first two PCs. Mapping of the classifier results to the test set images showed 90% accuracy for honey images. Three types of honey including buckwheat, rapeseed and heather were classified with 100% accuracy. The proposed approach has great potential for honey floral origin detection. As some other honey properties can also be predicted using image features, in addition to floral origin detection, this method may be applied to predict other honey characteristics.     

基于双树复数小波变换的微钙化诊断方法

提出一种基于双树复数小波变换的微钙化分类方法.通过提取基于小波和灰度直方图的纹理特征,结合遗传算法进行特征优化,分别用神经网络,支持向量机和KNN分类器进行微钙化的良恶性分类.对三种不同的分类器进行对比,结果表明:KNN分类器取得最好的效果,而支持向量机优于神经网络.KNN分类器对比于神经网络和支持向量机,无需训练,可节约训练时间,最直接地利用了样本和样本之间的关系,减少了类别特征选择不当对分类结果造成的不利影响,可以最大程度地减少分类过程中的误差项.在类别决策时,KNN分类器只与极少量的相邻样本有关,可以较好地避免样本数量的不平衡问题.与传统的小波比较,双树复数小波具有近似平移不变性和正则性,对图像信号具有良好的方向选择性,且冗余度有限,计算量较小.     

基于流形模糊双支持向量机的恒星光谱分类方法

支持向量机(support vector machine, SVM)具有良好的学习性能和泛化能力,因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大,SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题,Jayadeva等提出双支持向量机(twin support vector machine, TWSVM),将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征,对每类数据的局部特征并未关注。鉴于此,提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine, MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征,模糊隶属度函数的引入将各类数据区别对待,尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM,KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。     

ISG-FHEV等效燃油消耗最小控制策略

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法。首先在 颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别。算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法。仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

基于时频谱特征的白酒品质分类方法研究

为了建立快速、准确的白酒品质鉴别方法,利用机器学习方法对不同品质的白酒建模。为了提取不同品质白酒的特征,使用离子迁移谱对不同品质白酒进行分析,构建了基于白酒离子迁移谱信号的特征向量,并对不同品质的白酒进行了识别与分类。白酒样本的离子迁移谱信号通过利用美国Excellims公司GA2100型电喷雾-离子迁移谱仪（ESI-IMS）采集获得,每一个离子迁移谱信号是强度随时间变化的时间序列信号;提取了原始数据离子迁移谱的时域特征谱峰。为了获得更全面的特征,对离子迁移谱数据进行了傅里叶变换并提取频域内的特征谱峰。同时为了表述信号变化的特征,计算了离子迁移谱的谱熵和过零率,构建N×9维的特征向量矩阵;使用主成分分析(PCA)和线性判别分析(LDA)分别对上述获得的特征进行了特征降维,其中使用PCA对特征向量矩阵降维后的前三维特征对整体特征的累计贡献率达到了95%,而使用LDA对特征向量矩阵降维后的前两维特征对整体特征的累计贡献率就达到了95%。因此,选择了LDA作为特征降维方法;最后,利用机器学习中的非线性分类器支持向量机(SVM)对白酒离子迁移谱数据进行分类研究。实验结果表明,在真酒和添加酒精的白酒二分类中,SVM方法正确分类率达到100%;而在真酒和分别添加10%,20%,30%,40%和50%酒精浓度的五种假酒的六分类中,SVM方法正确分类率达到99.7%。比较了逻辑回归(LRM)分类、模糊C均值分类(FCM)和K近邻分类(KNN)对白酒样本离子迁移谱分类实验结果。研究表明,对于离子迁移谱非常接近的真酒和添加酒精的白酒,基于频谱特征向量的SVM方法能够准确的区分开来,为白酒的品质鉴别提供了一种新的检测方法。     

Individual identification using multi-metric of DTI in Alzheimer's disease and mild cognitive impairment

Accurate identification of Alzheimer's disease(AD) and mild cognitive impairment(MCI) is crucial so as to improve diagnosis techniques and to better understand the neurodegenerative process. In this work, we aim to apply the machine learning method to individual identification and identify the discriminate features associated with AD and MCI. Diffusion tensor imaging scans of 48 patients with AD, 39 patients with late MCI, 75 patients with early MCI, and 51 age-matched healthy controls(HCs) are acquired from the Alzheimer's Disease Neuroimaging Initiative database. In addition to the common fractional anisotropy, mean diffusivity, axial diffusivity, and radial diffusivity metrics, there are two novel metrics,named local diffusion homogeneity that used Spearman's rank correlation coefficient and Kendall's coefficient concordance,which are taken as classification metrics. The recursive feature elimination method for support vector machine(SVM)and logistic regression(LR) combined with leave-one-out cross validation are applied to determine the optimal feature dimensions. Then the SVM and LR methods perform the classification process and compare the classification performance.The results show that not only can the multi-type combined metrics obtain higher accuracy than the single metric, but also the SVM classifier with multi-type combined metrics has better classification performance than the LR classifier.Statistically, the average accuracy of the combined metric is more than 92% for all between-group comparisons of SVM classifier. In addition to the high recognition rate, significant differences are found in the statistical analysis of cognitive scores between groups. We further execute the permutation test, receiver operating characteristic curves, and area under the curve to validate the robustness of the classifiers, and indicate that the SVM classifier is more stable and efficient than the LR classifier. Finally, the uncinated fasciculus, cingulum, corpus callosum, corona radiate, external capsule, and internal capsule have been regarded as the most important white matter tracts to identify AD, MCI, and HC. Our findings reveal a guidance role for machine-learning based image analysis on clinical diagnosis.     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。     

基于视觉的自主车道路检测技术研究

针对结构化道路检测中基于单一特征的检测易受影响,非结构化道路检测算法对多种类型的非标准道路缺乏适应性的问题,分别提出了一种基于D-S证据理论的多视觉特征融合的车道线检测方法和一种基于增量模糊支持向量机(IFSVM)的非结构化道路在线学习检测方法。选取梯度幅度等检测算子分别设计基本概率分配函数,根据建立的分段线性道路模型进行求解,FSVM分类器通过从前先的检测结果中学习,在耗费少量计算时间与内存空间的情况下,不断再训练以增强分类器的性能。实验结果表明,该算法比单纯利用图像的边缘或颜色等特征进行道路检测具有更高的可靠性,对复杂环境下的道路检测具有较强的鲁棒性和较强的抗干扰能力。     

基于频谱分析与支持向量机的车型音频识别研究

机动车车型识别是城市道路交通流监测统计的一个重要方面。本文基于频谱分析与支持向量机方法提出一种车型音频识别方法,以1/3倍频程频谱数据作为特征数据,并使用支持向量机方法完成不同车型分类下的车型识别,同时还分析比较了不同训练样本量及不同单个样本数据量大小对识别结果的影响。在将车型细分的情况下,对小汽车、大型公交车、水泥车、摩托车四种车型的样本外识别结果达到96.9%的准确率,验证了方法的有效性。     

基于特征选择的网络入侵检测模型研究

为了有效从收集的恶意数据中选择特征去分析,保障网络系统的安全与稳定,需要进行网络入侵检测模型研究。但目前方法是采用遗传算法找出网络入侵的特征子集,再利用粒子群算法进行进一步选择,找出最优的特征子集,最后利用极限学习机对网络入侵进行分类,但该方法准确性较低。为此,提出一种基于特征选择的网络入侵检测模型研究方法。该方法首先以增强寻优性能为目标对网络入侵检测进行特征选择,结合分析出的特征选择利用特征属性的Fisher比构造出特征子集的评价函数,然后结合计算出的特征子集评价函数进行支持向量机完成对基于特征选择的网络入侵检测模型研究方法。仿真实验表明,利用支持向量机对网络入侵进行检测能有效地提高入侵检测的速度以及入侵检测的准确性。     

Pedestrian detection from thermal images: A sparse representation based approach

Pedestrian detection, a key technology in computer vision, plays a paramount role in the applications of advanced driver assistant systems (ADASs) and autonomous vehicles. The objective of pedestrian detection is to identify and locate people in a dynamic environment so that accidents can be avoided. With significant variations introduced by illumination, occlusion, articulated pose, and complex background, pedestrian detection is a challenging task for visual perception. Different from visible images, thermal images are captured and presented with intensity maps based objects’ emissivity, and thus have an enhanced spectral range to make human beings perceptible from the cool background. In this study, a sparse representation based approach is proposed for pedestrian detection from thermal images. We first adopted the histogram of sparse code to represent image features and then detect pedestrian with the extracted features in an unimodal and a multimodal framework respectively. In the unimodal framework, two types of dictionaries, i.e. joint dictionary and individual dictionary, are built by learning from prepared training samples. In the multimodal framework, a weighted fusion scheme is proposed to further highlight the contributions from features with higher separability. To validate the proposed approach, experiments were conducted to compare with three widely used features: Haar wavelets (HWs), histogram of oriented gradients (HOG), and histogram of phase congruency (HPC) as well as two classification methods, i.e. AdaBoost and support vector machine (SVM). Experimental results on a publicly available data set demonstrate the superiority of the proposed approach.     

Curvelet based image compression via core vector machine

In this paper, a novel curvelet based digital image compression scheme is proposed. Aiming at achieving high compression ratio, the proposed scheme embeds a representative machine learning method, core vector machine (CVM), in the encoding process of the image compression technique. The core vector machine (CVM) has been introduced as an extremely fast classifier which is demonstrably superior to standard support vector machine (SVM) on very large datasets. In this scheme, we appropriately utilize the characteristic of CVM to reduce huge numbers of curvelet coefficients. Compared with image compression algorithms do not use CVM and methods based on wavelet transform, experimental results show that the compression performance of our method gains much improvement in peak-signal-to-noise-ratio (PSNR) and CPU time. Moreover, the algorithm works fairly well for declining block effect at higher compression ratios.     

基于小波包分析及支持向量机的超音速目标识别方法研究

提出了基于小波包分析及支持向量机的超音速目标识别方法 .通过 5 .5 6mm ,7.6 2mm和 12 .7mm三种枪弹试验获取信号 ,用小波包分解激波信号 ,统计每个频带的能量特征 ,用支持向量机方法训练测试样本 ,获得了很好的分类效果 .仿真结果表明基于超音速飞行体产生的激波信号来识别目标是可行的 .     

基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究

以黄瓜叶部病害作为研究对象,基于可见光谱反射率差异识别黄瓜叶部病害,研究基于SVM的黄瓜叶部病害识别预测模型。采用小波变换进行数据预处理;选取Otsu、边缘分割法和K均值聚类三类分割方法进行病斑分割,比较错分率和运行时间,K均值聚类方法更适合黄瓜叶部病斑分割;提取纹理、颜色和形状特征参数,共15个特征参数;通过交叉验证选择最优参数c和g,对核函数参数进行优化处理,并通过比较线性核、多项式核、RBF核等不同核函数情况下SVM的正确识别率,确定RBF核SVM模式识别方法能够更精准地识别黄瓜叶部病害。并将基于SVM与另外两种常见的黄瓜叶部病害识别方法,BP神经网络和模糊聚类进行比较,结果表明,基于SVM的识别模型对霜霉病的正确识别率为95%,白粉病和褐斑病的正确识别率均为90%,平均诊断正确率为92%;该模式识别方法识别效果最佳,运行时间最短,为基于可见光谱的黄瓜病害识别模型提供参考。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

基于支持向量机的肤色滤波器

为了探测图像中的肤色像素,提出了一种新的方法-支持向量机（SVM：Support Vector Machine）方法.它是一种基于肤色的非特定人的面部定位方法,是非接触人机交互技术和机器视觉中的一个重要内容.实验结果表明,采用支持向量机方法较传统人工神经网络方法不仅有更高的探测准确性,而且具有更好的推广性能.由于SVM采用结构风险最小化（SRM：Structural Risk Minimization）准则,在最小化训练误差（经验风险）的同时,尽量缩小模型预测误差的上界,从而使模型有更好的泛化能力.     

基于凸组合核函数的化合物太赫兹透射光谱分类

物质的太赫兹光谱包含着非常丰富的物理和化学信息。它对化合物晶体具有高的灵敏度、 单光子能量低等特点。但受到检测人员知识背景、 背景噪声、 识别算法精度等因素的影响,光谱样本识别准确率和效率较低。为了提高对太赫兹光谱的检测能力,提出应用基于凸组合核函数的support vector machines(SVM)对化合物的THz脉冲透射谱进行分类。在使用小波变换对数据进行滤波预处理之后,提取了传统波峰、 波谷位置特征和term frequency-inverse document frequency (TF-IDF) 最大间隔特征。TF-IDF方法使用信息论的原理确定每个采样点的权重,选择权重较大的点作为特征。针对太赫兹透射谱特征相似、 维数较低带来的分类困难问题,构建基于凸组合核函数的SVM分类模型。并利用核评价的方法,通过高维非线性规划方程求解最优凸组合参数。当最优凸组合参数被确定时,构建分类模型进行分类和预测。相比较于单一核函数,凸组合核函数将透射谱特征与分类模型融合起来。对于不同的检测样本,数据经过凸组合核函数映射到高维空间后,特征具有更显著的区分度。使用不同的太赫兹透射谱样本进行分类实验,结果表明,分类准确率得到极大提高。