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。     

一种基于支持向量机的雷达多目标分类方法

针对小样本条件下雷达目标分类精度低的问题,提出了一种基于支持向量机(Support Vector Machine,SVM)的雷达目标分类方法。通过雷达目标特征的提取、选择和分类器的设计,实现了目标的多分类,且提高了目标分类精度。实验结果表明,基于二维特征的分类器可实现多目标的高精度分类,且平均分类精度均优于85%。     

基于支持向量回归机的复杂产品费用估算研究

传统的费用估算算法需要大量的样本数据来保证其估算的准确性,但在实际应用中,由于样本数据的有限性,其准确性无法得到保证,针对这种情况提出使用基于统计学习理论的支持向量回归机(SVR)进行费用估算,并通过具体实例详细阐述基于SVR的费用估算具体步骤,包括数据预处理、基于SVR的训练、估算和后处理过程,通过与神经网络方法相比,实验结果验证了SVR在小样本情况下具有更好的估算精度。最后实现了基于SVR的复杂产品费用估算方法,并集成于复杂产品费用估算系统。     

一种改进的支持向量机BS-SVM

提出了一种改进的SVM:BS-SVM,它先对训练样本进行分类,根据每个样本到模式类样本均值的距离,将训练样本分为三种:好样本、差样本、边界样本,然后用边界样本训练得到分类器.实验表明,BS-SVM相比SVM在分类正确率、分类速度以及使用的样本规模上都表现出了一定的优越性.     

支持向量机在人脸识别中的应用研究

讨论了把支撑向量机的方法用于人脸识别。支持向量机能有效地解决过学习问题，具有良好的推广性能和较好的分类精确性。并且该理论在小样本问题上有非常好的效果，人脸识别即为一个小样本问题。此外，还讨论支持向量机用于人脸识别的主要处理流程和识别框图。     

基于遗传算法的支持向量机分类算法

针对现有部分支持向量机在多类分类过程中存在的数据不均衡性、对算法结构依赖性强的问题,提出一种新的基于遗传算法的支持向量机多类分类算法。以遗传算法中的交叉作为支持向量机中类的选择,以变异改善分类过程中的纠错能力,以适应度函数作为最优分类结果的确定。在不同特性的样本集上进行仿真测试,结果证明,该算法在类数较多的情况下,有更好的数据均衡性,在分类速度及准确度上均有一定的优越性。     

基于ε-支持向量回归机的盲均衡算法

在研究支持向量机的基础上,针对其优良的泛化性能,提出了基于ε-支持向量回归机(ε-SVR)的盲均衡算法.采用迭代加权二次规划方法进行求解,给出理论模型和算法推导,通过核函数推广到非线性盲均衡.计算机仿真结果表明,该算法在基带条件下对具有严重码间干扰的接收信号能够均衡处理,实现电话信道的零误差传输,相对于经典CMA算法而言,新算法在提高收敛性能的同时,提高收敛速度50%左右.尤其是在小样本情况下,计算复杂度低,收敛速度快.     

基于支持向量机的多类分类研究

现今流行的分类方法的重要基础是传统的统计学，前提是要有足够的样本，当样本数目有限时容易出现过学习的问题，导致分类效果不理想。引入支持向量机方法，它基于统计学习理论，采用了结构风险最小化原则代替经验风险最小化原则，较好的解决了小样本学习的问题；又由于采用了核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度。对其相关内容包括优化算法及多类分类问题的解决进行了研究，最后用一个实例说明了该方法的可行性和有效性。     

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.     

基于复合核支持向量回归机的多类分类算法

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。     

优化样本分布的最接近支持向量机

当两类样本分布存在差异时,最接近支持向量机（Proximal Support Vector Machine,PSVM）等最小二乘类分类器分类结果将出现偏差,不能实现最小错误率分类。本文在分析PSVM等价广义特征值分解模型基础上,提出了一种改善原PSVM分类决策面的优化样本分布PSVM,其基本思想是通过引入最大化正确分类样本距决策面距离,同时最小化错误分类样本距决策面距离的优化样本分布正则化项,构造优化样本分布PSVM的广义特征值分解模型。通过人工数据集和UCI数据集的10个数据子集上的对比实验,验证了该改进分类模型能够有效调整决策边界,从而获得更好的分类效果。     

Image Segmentation Based on Support Vector Machine

Image segmentation is a necessary step in image analysis. Support vector machine （SVM） approach is proposed to segment images and its segmentation performance is evaluated. Experimental results show that： the effects of kernel function and model parameters on the segmentation performance are significant; SVM approach is less sensitive to noise in image segmentation; The segmentation performance of SVM approach is better than that of back-propagation multi-layer perceptron （BP-MLP） approach and fuzzy c-means （FCM） approach.     

模糊多类SVM模型

利用SVM处理多类分类问题,是当前的研究热点之一.本文提出了一种模糊多类支持向量机模型,即FMSVM.该方法是在Weston等人提出的多类SVM模型中引入模糊成员函数,针对每个输入数据对分类结果的不同影响,该模糊成员函数得到相应的值,由此得到不同的惩罚值.从而在构造分类超平面时,可以忽略那些对分类结果影响很小的数据.理论分析与数值实验都表明,该算法具有良好的鲁棒性.     

压缩域中基于支持向量机的镜头边界检测算法

针对如何进一步提高镜头边界检测精度问题,本文提出了一个基于支持向量机SVM (Support Vector Machine)的镜头边界检测算法.该算法利用视频压缩域中特征,如宏块类型,帧间对应宏块DC系数差和帧类型将视频帧分为发生切变的帧、发生渐变的帧和非镜头变换帧三类,从而实现视频的镜头分割.实验结果表明该算法对摄像机的运动和大物体的进入具有很好的鲁棒性,且没有大多数算法中阈值选择的困难,将我们的算法与2001 TREC评估中最佳指标进行了比较,在综合度量查全率和查准率的性能指标F1上,比2001 TREC评估中最佳指标高约8％.     

基于独立成份分析和支持向量机的人眼注视研究

采用独立成份分析(ICA)方法对单眼宽约为40 pixel的低分辨率人眼图像进行预处理,并把得到的一组组合系数输入支持向量机(SVM)判断图像中人眼的注视与否.对于单用户的注视探测,一维组合系数输入实现了100%的正确识别率;对于多用户的注视探测,二维组合系数输入实现了100%的正确率识别率.     

基于SVM能量模型的改进主动轮廓图像分割算法研究

为克服经典主动轮廓模型曲线内外区域能量定义在复杂目标与背景分布情况下的不足,本文将高效的支持向量机有监督学习分类器引入基于Mumford-shah模型的主动轮廓图像分割算法中,提出了基于SVM能量模型的改进主动轮廓图像分割方法.该方法首先利用支持向量机的分类结果对于封闭曲线的内外区域分别构造了一种新的图像能量表示方法,因为分割过程充分利用了有监督学习策略,使得本文提出的算法具有更高的稳定性和更加广泛的适用范围,特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果.分割时,首先利用SVM实现粗分割得到目标初始轮廓,然后利用改进的Mumford-shah主动轮廓模型进行精确分割,采用粗分割策略一方面可以大大提高分割速度,另一方面也可以提高了算法的自动化程度.对比实验结果表明本文提出的算法具有更大灵活性和更好的分割性能.     

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。     

支撑向量机多类分类方法的研究

支撑向量机是一种基于统计学理论的新的学习算法,它采用了结构风险最小化原则,能有效地解决过学习问题,具有很强的泛化能力。传统支撑向量机针对两类分类问题,为了深入地分析实际应用中的大规模和多类别的问题,通过对一次性求解法、一对多、一对一、有向无环图方法的原理和实现方法进行分析,从速度和精度两方面对这些方法的优缺点进行了归纳和总结,并通过实验进行了验证和比较。实验结果表明,各种方法可以获得不同的分类器推广能力及训练速度和测试速度,也为今后如何更好地解决支撑向量机多类分类问题指明了方向。     

基于支持向量机算法的多环芳烃表面增强拉曼光谱的定量分析

以硫氰化钾(KSCN)为内标物,利用主成分分析(PCA)降维,利用支持向量机(SVM)算法建立定量分析模型——支持向量回归(SVR),并结合网格搜索(GS)、遗传算法(GA)和粒子群优化算法(PSO)三种参数优化方法,实现了芘、菲单一溶液和混合溶液的定量分析。研究结果表明:以KSCN为内标物,提高了定量分析结果的准确性;利用PCA降维提高了建模速度;三种优化模型对芘预测的平均相对误差(ARE)在7.6%以内,对菲预测的ARE在11.3%以内;三种参数优化方法对同一物质的预测结果相近,但GS的运算速度最快;综合考虑误差和分析速度后,采用GS-SVR模型获得了菲、芘混合溶液的最佳结果。表面增强拉曼光谱(SERS)技术结合SVM算法有望实现多环芳烃的定量分析。     

支持向量机的全局局部特征融合目标识别

提出一种基于支持向量机的全局局部特征融合目标识别方法,并将其运用到雷达一维距离像目标识别。该方法采用非线性辨别方法与局部保留映射方法分别提取样本的非线性全局特征与局部特征,并进行特征融合,以便提取更全面的样本特征,得到更加准确的识别结果,随后采用支持向量机进行分类识别,利用其对于非线性小样本问题的强大处理能力,进一步改善识别结果。对三种飞机目标的实测雷达一维距离像进行了仿真实验,结果表明了方法的有效性。