一种融合多种语义特征的中文问题分类方法

针对中文问题分类方法中提取语义信息不准确和特征向量维数过高导致处理速度过慢的问题,提出了一种融合多种语义特征的问题分类方法。借助HowNet,兼顾问句的句法和语义信息,选取问题疑问词、核心词的主要义原、命名实体、名词单/复数等四种分类特征,并在义原的提取过程中加入词义消岐技术,对事实疑问句进行分类。在某高校信息检索研究室的中文问题集上进行实验,实验结果证明了该方法的有效性,大类准确率92.82%,小类准确率84.45%,取得了较好的效果。     

基于支持向量机的分类方法

支持向量机是建立在统计学习理论基础上的一种小样本机器学习方法,用于解决二分类问题。本文阐述了支持向量机的理论基础并对核函数的参数选择进行了分析研究。     

基于支持向量机的多分类方法研究

支持向量机是一种典型的两类分类方法,如何将其扩展到多分类领域是一个重要的问题。本文对现有的多类支持向量机算法作了一定的分析,并提出了一些建议,希望对研究者以后的研究有所帮助。     

基于支持向量机的缺陷识别方法

针对缺陷检测存在的检测手段落后、工序繁琐、准确率低、不易在线实施、受人为因素影响，以及用人工神经网络对小样本事件进行缺陷识别存在的过学习、推广性差等问题，从数据挖掘的角度，提出了直接从形成缺陷的影响因素着手，先消除工艺参数的冗余和噪声，再运用支持向量机分类算法，进行自动缺陷识别的新方法。通过具体的试验表明：该方法具有成本低廉、准确率高、推广性强、容易在线实施等技术优势。     

用于分类的支持向量机

支持向量机是20世纪90年代中期发展起来的机器学习技术,建立在结构风险最小化原理之上的支持向量机以其独有的优点吸引着广大研究者,该文着重于用于分类的支持向量机,对其基本原理与主要的训练算法进行介绍,并对其用途作了一定的探索．     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

面向分类去噪问题的模糊支持向量机新算法

针对面向分类去噪问题,提出了一种新的模糊支持向量机算法（ν-FSVM）,并给出了通过无穷次连续可微函数建立模糊关系的方法.该方法能对训练集中的点自动赋予模糊关系,并且对带有噪声的点和孤立的点赋予较小的模糊关系.与传统的ν支持向量机比较,该算法通过建立训练集的模糊关系,能够大大减小噪声对分类的影响,从而提高分类精度,减少误差.     

基于半监督支持向量机的数据分类

为解决支持向量机在分类识别前需要利用已知训练集进行训练的问题，本文提出了一种基于k均值的对无标识数据进行分类的支持向量机分类算法。首先利用k均值算法将未知数据划分成某个数量的子集，然后对新数据进行支持向量机训练得到决策边界与支持矢量，最后对无标识数据进行分类。模拟结果表明：训练时消耗的CHU时间为1．8280秒，支持向量个数为60时，分类错误率小于2％。     

支持向量机回归与v-支持向量机分类解的关系

讨论了支持向量机回归与v-支持向量机分类解的关系,证明了对给定的v-支持向量机分类问题的解,通过选择适当参数,存在一个支持向量机回归问题的解与它等价.     

支持向量机训练及分类算法研究

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

基于支持向量机的汉语问句分类

目前汉语问句分类一般都依据疑问词及其相关词的组合规则,但由于规则的提取很深地依赖于语言知识,而且很难穷举出所有的特征规则,因此会影响分类的效果.支持向量机（SVM）是建立在统计理论基础上的机器学习方法,对于小样本分类问题有很好的识别效果.文中分析和定义了汉语问句的类型,建立了以SVM为基础的问句分类模型,详细描述了问句分类特征的选取过程,并在句法特征的基础上引入语义特征进行汉语问句分类实验,分类准确率达88.7%,表明结合句法和语义特征以SVM进行汉语问句分类具有很好的效果.     

基于SVM的以词性和依存关系为特征的句子倾向性判断分析

将句法平面词的词性特征、依存关系、依存关系中的词性特征、邻接依存关系、邻接依存关系中的词性特征与倾向性词汇和倾向性搭配作为支持向量机（SVM）分类器的特征集,以句子为单位对多个领域的文本进行倾向性判断．通过交叉验证的方式,估计出分类器的精度为95．6％．据此提出句子倾向性分析可不以句子倾向性判断为前提．     

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明：集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。     

一种基于RS和SVM的目标对象的性能分类方法

提出了一种基于粗糙集(RS)和支持向量机(SVM)的目标对象的性能分类方法,该方法将RS和SVM结合在一起对性能进行分类．在分类之前,首先利用RS对属性进行约简,将约简后的属性作为输入端输入到SVM中进行训练,再用训练好的SVM对测试集进行测试．测试结果表明,该方法分类的精度比较高,速度比较快．     

基于Seeded-Kmeans和SVM的分类算法

支持向量机（Support vector machines）在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法（SK-SVM）。用Seeded-Kmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。     

基于二叉树的SVM多类分类算法研究

支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势.支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.介绍了基于二叉树的SVM多类分类算法,通过对其原理和实现方法的分析,对这些方法的优缺点进行了归纳和总结,给出了进一步的研究方向.     

基于Contourlet变换与SVM的图像分类研究

由于Contourlet变换具有多分辨率分析、多方向性、各向异性等特点,能很好地捕捉图像的轮廓特征,利用Contourlet变换系数有利于特征的检测.提出了一种基于Contourlet变换与支持向量机(SVM)的图像分类方法.该方法首先对彩色图像灰度化后进行Contourlet变换,将得到的三层低频分量系数作为图像分类的语义特征,然后利用SVM分类器对图像进行分类.实验结果表明该方法具有较好的分类效果.     

中文问句分类系统的分析

介绍了问答系统及问句分类,重点阐述了问句的类型和问句分类的方法,最后对问句分类工作未来的发展进行了展望。     

基于DCT特征与SVM分类的人脸检测

一般的人脸检测在运行时间及检测率上都不能得到很好的保证.本文提出了基于离散余弦变换的支持向量机的人脸检测方法,利用离散余弦变化后的系数作为支持向量机的输入特征,实验表明该方法具有更好的检测效果.实验还表明,在采用离散余弦变换系数作为检测特征值时,检测准确率并不是随着所选取特征值个数的增加而提高.