一种新的支持向量回归机TSVR

标准的支持向量回归机对于参数的选取有很强的依赖性.当选取的参数不恰当,或当数据受到噪声的污染时,回归的效果将受到较大的影响.笔者将训练点被正确划分的程度引入到支持向量回归机模型中,通过理论推导,提出了一种新的支持向量回归机TSVR,并给出了TSVR算法收敛的相关证明.同时,通过大量的数值实验,证明了TSVR具有较好的回归效果,其回归结果对参数的选取较不敏感,具有比标准的支持向量回归机更好的性质.     

基于支持向量机的字符编码识别系统

基于支持向量机设计了一种产品字符编码识别系统,该系统通过CCD视觉传感器采集图像信息,经过目标提取、字符分割、编码识别过程,最后输出识别结果.其中,识别过程采用支持向量机作为判别函数分类器,该方法能较好的解决小样本、非线性、高维数等实际问题,并且较传统的神经网络识别方法训练速度更快.实验结果表明,该方法识别率高,可以达到98.3%,并且具有较高的实时性.     

最小二乘支持向量机的一种改进算法

最小二乘支持向量机相比传统的支持向量机,丧失了解的稀疏性,影响了二次学习的效率。对原有的最小二乘支持向量机在稀疏性上进行了改进,并通过实验,对改进后的摄小二乘支持向量机的分类效果进行了验证。     

基于Riesz基的再生核及支持向量机

在支持向量机(SVM)技术中,再生核的选择起着重要作用.利用L2(R)中的一组Riesz基构造再生核,并将其推广到应用广泛的正交小波.在基于正交小波的再生核Hilbert空间中考虑函数的正则化逼近,对基于正交小波再生核的SVM结合小波分析进行探讨,得到SVM的离散逼近,离散细节均只与支持向量有关.     

基于遗传算法的多核支持向量机的参数优化

提出了利用遗传算法对多核支持向量机的权系数进行寻优的方法GA-MKL,先选择表现能力最好的参数的单核构成多核,再利用遗传算法来对多核的核系数来寻优.采用该算法在UCI标准数据集上进行了实验,结果表明,该算法为多核SVM的系数选择提供了一种可行的方法.与单核SVM相比,该方法具有更好的分类能力,和其他多核学习算法相比,性能也有一定的提高.     

基于BP神经网络与多分类支持向量机的水质识别与分类

介绍BP神经网络与多分类支持向量机等分类模型的基本原理,并基于这两种方法对水质识别与分类的准确度进行实例比较研究,随机抽取了南昌市内2010-2013年水域水质的300组数据为样本,选取了pH,氨氮,Cl-,SO2-3,总硬度,硝酸盐氮为评价的主要特征。通过把训练后的模型在测试集中进行的检验对得到的模型进行评估,表明了BP神经网络和多分类支持向量机均可以较好地解决水质识别与分类过程中存在的复杂性,多变量,非线性等问题,相比较而言多分类支持向量机有较强的鲁棒性,预测结果更为精确稳定,将其应用到水质评价中具有一定的可行性。更多还原     

基于支持向量机的网站服务质量实时监控方法

利用支持向量机(support vector machine,SVM)在两类模式识别中所表现出的良好适应性,采用SVM把网站服务质量的评价信息分成两类:服务投诉和非服务投诉.通过服务质址监控表格对投诉率的上限进行控制,实现了系统对服务质量的自动监控.实验结果表明,采用基于SVM网站服务质量监控方法能够对网站的服务质量进行实时临控,并且优于基于指标的服务质量监控方法.     

融合蚁群算法与支持向量机的网络流量预测

网络流量的精确预测对控制网络拥塞有效控制有着重要意义。支持向量机是一种新的机器学习方法,能有效解决非线性、小样本及高维等问题。因为支持向量机的训练参数的取值与其预测能力有着较大关系,所以经常采用遗传算法选取训练参数。但是,遗传算法容易陷入局部极值,而蚁群算法     

一种基于核主元分析的支持向量机识别方法

核主元分析具有能较好地提取非线性特征的优势;支持向量机具有的非线性映射能力,且泛化能力强.它们在分类与识别中应用时都各有自己的优点,结合核主元分析和支持向量机的特点,提出一种基于核主元分析的支持向量机识别方法,用该方法分别对 ORL 人脸库和iris数据集中的数据进行分类与识别,结果表明:如果根据设计好的核函数的参数,可以得到极高的识别率.     

基于支持向量机及遗传算法的光刻热点检测

提出一种基于支持向量机（SVM）及遗传算法（GA）的集成电路版图光刻热点检测方法.首先对版图样本进行离散余弦变换（DCT）以提取样本的频域特征,然后基于这些样本训练SVM分类器以实现对光刻热点的检测.为了提高光刻热点检测的精度及效率,采用遗传算法（GA）对频域特征进行选择,并同时优化SVM参数.实验结果表明,基于SVM及版图频域特征并结合遗传算法进行优化的光刻热点检测方法可以有效提高版图光刻热点的检测精度.     

低对比度图像目标分割的研究

利用图像分割技术 ,采用矩不变自动门限方法 ,对低对比度的精子显微图像进行了自动分割 ,实验表明 ,该方法能够在较短的时间内分割出目标和背景 ,同时能克服二值化过程中出现的断线和粘连等问题 ,且方法简单 ,容易实现 ,具有较好的实用价值 .     

基于多分辨率奇异谱熵和支持向量机的轴系故障诊断及其应用

运用Mallat小波算法将被测信号分解为不同频带,并进行信号重构,然后利用奇异值分解,提取不同尺度下的信号奇异谱熵作为特征向量．以特征向量为基础,运用多类支持向量机识别故障类型．以渔船轴系故障诊断为例,设计了轴系故障模拟实验台,研究表明：该方法能有效地进行特征提取和故障分类．     

基于变分高斯混合模型的图像分割算法

提出了一种基于变分推断的高斯混合模型的图像分割算法. 该算法首先用贝叶斯混合高斯模型对图像的特征进行建模, 并针对模型的参数学习问题, 利用变分推断算法估计模型的参数及其后验概率; 这种方法比采样法的计算量更少, 而且能够根据图像数据自动优化混合个数, 实现了模型的自动选择. 最后, 该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较, 结果表明此方法得到的图像分割结果精度较高, 具有较好的性能.     

基于小波包Shannon熵与GA-SVM的船舶轴系故障诊断方法

针对船舶推进轴系的振动问题, 基于小波包、Shannon熵、遗传算法(GA)和支持向量机(SVM)理论, 提出了一种船舶轴系故障诊断的新方法, 简称WPS-GS方法. 该方法依托船舶螺旋桨状态监测模拟实验平台, 利用小波包分解技术分析船舶轴系发生故障时的振动信号, 将其Shannon熵作为SVM的输入特征向量. 在训练SVM时, 采用遗传算法对SVM的参数进行全局寻优, 使SVM具有更高的识别准确率. 实验结果表明, WPS-GS方法对故障诊断的准确度和识别率较传统SVM和交叉验证SVM方法高, 适用于船舶轴系故障诊断.     

基于SVM的固化土无侧限抗压强度模型

为实现较少试验次数下固化土无侧限抗压强度(qu)的准确预测, 提出了基于支持向量机(SVM)的固化土qu的预测模型. 以固化剂各组分掺入比、龄期、初始含水量、固化剂掺量等因素为输入量, 固化土的qu作为输出量, 以径向基为核函数, 采用网格搜索法和交叉验证法进行参数优化, 建立了基于SVM的固化土qu的预测模型. 算例分析表明: 该模型适用于任意条件下固化土qu的精确预测, 且在较小试验成本下实现与响应面法相当的预测精度.     

基于区域似然比的SAR图像变化检测

针对传统基于像素的变化检测方法受Speckle噪声影响严重的问题，在区域分割的基础上，提出似然比检测的方法，获得了良好的检测结果．该方法先针对多时相SAR图像数据样本的统计模型提出未知和变化两种假设，然后采用似然比检验方法对两种假设进行检验，从而获得区域的变化检测结果．实验表明，该方法很大程度上降低了SAR图像乘性噪声在变化检测过程中带来的误检和漏检效应，将检测的精确度提高了22％，从而比较准确地反映了SAR图像区域的变化，具有很好的应用前景．     

图像序列运动检测算法的研究及其应用

探讨了监控图像序列中进行运动检测的若干基本算法 ,结合统计方法和边缘检测筛选出运动边缘点 ,对运动边缘点逐个进行了块匹配最优搜索 ,估算出其运动矢量 .此方法在数字视频监控系统中用于运动物体检测和报警 ,不但提供了智能型监控 ,而且也有效的压缩了存储数据 ,改善了系统性能 ,有较好的实用价值 .     

基于人类视觉系统的交通标志优化分割方法

交通标志的有效分割是交通标志识别系统中的关键问题.针对禁令标志颜色特征,结合人类视觉系统的颜色感知特点,首先以颜色分量R（红）、G（绿）、B（蓝）作为输入特征量构造颜色特征粗分类器,再通过计算粗分类结果的特征量与红色特征类标准样本中心的矢量余弦,得到颜色相似度特征灰度图,用改进的Otsu方法实现标志的最终分割,最后给出了通过训练粗分类器优化分割结果的方法.实验结果表明,本文的分割方法可在不同气候条件下,有效地提高交通标志分割效率,具有较好的鲁棒性.