基于支持向量机的自动目标识别算法

基于对目标识别精确性的要求,提出了基于支持向量机的自动目标识别算法。介绍了基于支持向量机的自动目标识别系统的组成和识别流程,实现了目标的特征提取、SVM分类器的参数寻优,并将优化的SVM模型应用于未知图像的目标识别中。实验表明,该方法识别效果良好,具有较好的抗复杂背景的能力。     

基于组合支持向量机的水声目标智能识别研究

为解决水声目标小样本模式识别问题,有效地提高复杂海洋环境中的识别精度,提出了一种基于经验模式分解(EMD)、特征距离评估技术(FDET)和组合支持向量机(CSVMs)的水声目标智能识别方法。首先,将滤波、Hilbert包络解调和EMD等信号处理方法对水声目标的辐射噪声信号进行预处理,提取7个包含原始信号和预处理信号的时域和频域统计特征的特征集。然后,通过FDET从原始特征集中选择出7个敏感特征集。最后,将7个敏感特征集输入到7个支持向量机分类器中,利用遗传算法对7个分类器的结果进行合并,构成CSVMs分类器,从而实现对水声目标的智能识别。将该方法应用于舰船等水声目标的识别中,研究结果表明,该方法的识别性能优于单一SVMs分类器:同时,经过FDET得到的敏感特征集能明显地提高识别精度。     

基于经验模态分解和支持向量机的车型声频识别

车型自动识别是智能交通系统的重要组成部分。针对现有车型识别存在的问题,提出利用经验模态分解和支持向量机的车型声频识别方法。将车辆行驶的声音信号进行分解,以分解不同模态的能量作为特征向量,并以此作为训练样本对支持向量机构成的车型识别器进行训练,通过对小汽车和卡车的声音信号处理结果表明:利用车辆声音信号能够正确识别不同的车型,识别准确率达95%,是车型识别的有效方法。     

支持向量机的动物血液光谱特征提取和识别分类

利用光谱检测和数据挖掘实现不同种类动物血液光谱数据的精确识别与分类具有重要意义,目前尚未见到较为完善及普适的相关研究报道。实验采集了鸽、鸡、鼠、羊四种动物全血和红细胞溶液(浓度为1%)的荧光光谱数据;基于小波变换的软阈值去噪方法,首先对原始光谱数据进行去噪处理,并确定了717个原始特征(包括荧光峰强度值、荧光峰连线斜率等4类特征);提出以“区分度统计量”为核心的特征提取方法,结合主成分分析法和平均影响值算法,实现了对717个原始特征到2个识别特征的高效筛选;进一步建立了径向基核函数的支持向量机分类器,对四类不同动物的全血荧光光谱数据实现了准确率为100%的识别分类,对红细胞荧光光谱数据实现了94.69%～99.12%的识别率;最后蒙特卡洛交叉验证的结果表明所提出的思路和方法对于动物全血溶液的识别分类具有较好的泛化能力,能对荧光光谱数据进行准确的识别分类,因此能够在进出口检查、食品安全、医药等领域发挥重要作用。针对动物血液荧光光谱,提出的基于“区分度统计量”的特征提取方法,相比于传统的人为特征选取方法,能够从大量原始特征中自动提取少量且有效的识别特征,具有较强的普适性和高效性,为其他领域的光谱特征提取和识别分类提供了一种新的思路。     

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 .     

基于小波降噪与支持向量机的恒星光谱识别研究

提出了一种对恒星光谱识别的新方法。 根据恒星光谱数据的特性,我们以支持向量机为核心技术构建光谱识别器。 由于恒星光谱数据通常含有较高的噪声,如果直接进行分类,识别率往往较低。 因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理,提取光谱的特征,然后馈送到支持向量机完成对光谱数据的最终识别。 利用实际光谱数据(Jacoby, 1984)对所提出的技术进行检测,实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。 另外,作者还比较了支持向量机与传统甄别分析的分类性能,对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5种甄别分析方法的识别率,而且有较强的泛化能力。     

基于支持向量机的舰船图像识别

支持向量机(SVM)是一种基于超平面分类的新的学习方法,具有很强的泛化能力。研究了支持向量机的学习机理,以及实现支持向量机的序贯最小优化算法(SMO),并用来对舰船图像进行识别。首先将待识别目标进行二维小波分解,获取不同尺度下的小波系数,然后对其进行主元分析,得到的主元分量作为支持向量机的特征量输入。实验结果表明,该方法具有良好的分类性能。     

基于支持向量机的非线性荧光光谱的识别

提出将支持向量机网络应用于含不同浓度杂质气体的非线性荧光光谱的识别。由于原始光谱数据的光谱通道数目很大,首先用小波变换去噪压缩,然后采用主成分分析方法对光谱信息进行连续两次的特征提取。在保持原光谱数据主要信息基本不变的情况下,将数据维数由3979压缩到514(小波变换)并提取9个主成分。这样,不仅减少了网络的输入维数,而且加快了网络的训练速度。实验结果表明,无论对训练样本还是未学习过的测试样本,其正确识别率均可达到100%。网络的训练和测试速度较快,可以更有效地应用于大气杂质气体的实时监测。     

多波长透射光谱特征提取结合支持向量机的水体细菌识别方法研究

实现水体致病菌的快速识别检测对防控由水体微生物污染引起的大规模疾病爆发有重要的现实意义.生化鉴定、核酸检测等常规细菌检测方法存在耗费时间长、需要精密的实验仪器等特点,不足以满足水体细菌微生物的快速实时在线监测.由于细菌的多波长透射光谱包含较丰富的特征信息,并且这项光谱检测技术具有快速简便、无接触、无污染等优点,近年来成...     

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。     

Infrasound signal classification based on spectral entropy and support vector machine

The operation speed of the algorithm is the critical factor in the real-time monitoring of infrasound signals. The existing methods mainly focus on how to improve the accuracy of classification and can’t be used in real time monitoring because of their slow running speed. We adopt spectral entropy into the feature extraction of infrasound signals. Combined with the support vector machine algorithm, the proposed method effectively extracted the signal features meanwhile greatly improved the operation efficiency. Experimental results show that the running speed of the proposed method is 1.0 s, which is far less than 4.7 s of the comparison method. So the proposed method can be applied in real-time monitoring of earthquakes, tsunamis, landslides and other infrasound events.     

基于改进支持向量机的水声目标-杂波不平衡分类研究

针对水声目标-杂波数据集在有限样本下的类不平衡特性导致代价敏感支持向量机难以逼近贝叶斯最优决策的问题,该文提出了一种基于能量统计方法的支持向量机(En-SVM).该算法通过度量原始数据空间与有限样本空间特征函数之间的加权平方距离,量化少数类样本不完全采样过程中的信息损失,来补偿再生核希尔伯特空间中机器学习算法所需的少数...     

基于多模板子空间的支持向量机多类自然形状识别

自然物体的检测与识别是机器视觉以及模式识别的重要任务。由于自然物体形状的多样性与柔性以及视觉判别的复杂性,使基于计算机的自然形状物体的准确检测与识别变得比较困难。提出了基于多模板子空间的支持向量机(SVM)多类自然形状识别方法。利用广义Hough变换表示自然形状物体轮廓,针对每个类别通过训练得到多个匹配模板;检测时利用多模板最近邻相关匹配进行粗检测,使用支持向量机进行分类。在相关匹配限定的子空间内收集训练样本,有效地降低了训练样本数目。实验结果证明所提出的自然形状检测与识别方法是十分有效的,大大改进了经典检测算法的检测效果以及自动化程度。     

Variational quantum support vector machine based on Hadamard test

Classical machine learning algorithms seem to be totally incapable of processing tremendous amounts of data, while quantum machine learning algorithms could deal with big data with ease and provide exponential acceleration over classical counterparts. Meanwhile, variational quantum algorithms are widely proposed to solve relevant computational problems on noisy, intermediate-scale quantum devices. In this paper, we apply variational quantum algorithms to quantum support vector machines and demonstrate a proof-of-principle numerical experiment of this algorithm. In addition, in the classification stage, fewer qubits, shorter circuit depth, and simpler measurement requirements show its superiority over the former algorithms.     

基于识别能力的人脸特征向量均衡

在人脸识别中,通常是把人脸图像投影在特征向量组成的空间中,特征向量决定了人脸识别的效果。同一人的人脸图像在好的特征向量上的投影应具有较集中的分布,反之亦然。从微观意义上提出了每个向量的识别能力的概念,通过计算识别能力的大小,选择具有较大的识别能力的特征向量。为了使每个向量在识别中发挥与其识别能力相对应的作用,根据每个向量的识别能力对它们进行均衡化处理,赋予不同权重,提高了识别率。通过在ORL、Yale人脸数据库上进行试验,验证了该方法的有效性。     

基于选择性支持向量机集成的海杂波背景中的微弱信号检测

基于复杂非线性系统相空间重构理论,提出了一种混沌背景中微弱信号检测的选择性支持向量机集成的方法,为了提高支持向量机集成的泛化能力,采用K均值聚类算法选择每簇中精度最高的子支持向量机进行集成,建立了混沌背景噪声的一步预测模型,从预测误差中检测湮没在混沌背景噪声中的微弱目标信号（包括周期信号和瞬态信号）,最后分别以Lorenz系统和实测的IPIX雷达数据作为混沌背景噪声进行实验研元结果表明该方法能够有效地将混沌背景噪声中极其微弱的信号检测出来,抑制噪声对混沌背景信号的影响,与神经网络和传统支持向量机方法相比,预测精度和检测门限方面的性能有显著提高．     

基于支持向量机的电磁逆散射方法

为解决电磁逆散射问题,提出了一种实时逆散射方法,该方法利用支持向量机(SVM)将逆散射问题转化为一个回归估计问题. 基于SVM的电磁逆散射方法成功地解决了逆散射问题中的非线性和不适定性.利用穿墙问题测试了该方法的可行性和有效性, 测试结果表明,不论是无噪声还是有噪声的情况,该方法都能很好地对墙后目标进行探测与定位.此外, 在穿墙环境下用SVM预测模型讨论了接收天线的采样位置数对预测结果的影响.最后对多源设置下的预测误差进行了分析和研究, 研究表明,相比于单源情况多源设置有利于对墙后目标的识别.     

基于选择性支持向量机集成的混沌时间序列预测

提出了一种基于聚类的选择性支持向量机集成预测模型.为提高支持向量机集成的泛化能力，采用自组织映射和K均值聚类算法结合的聚类组合算法，从每簇中选择出精度最高的子支持向量机进行集成，可以保证子支持向量机有较高精度并提高了子支持向量机之间的差异度.该方法能以较小的代价显著提高支持向量机集成的泛化能力.采用该方法对Mackey-Glass混沌时间序列和Lorenz系统生成的混沌时间序列进行预测实验，结果表明可以对混沌时间序列进行准确预测，验证了该方法的有效性. 关键词： 支持向量机 集成 混沌时间序列 聚类