基于Person Ⅶ核函数的支持向量机及其在化学模式分类中的应用

化学模式分类问题通常是非线性的,而且比较复杂,难以用经典统计方法建立分类判别模型。以支持向量机(SVM)构建的分类器具有更好的分类性能。对于非线性分类,SVM通过核函数将其映射到高维特征空间中,然后再进行线性分类。因此,核函数往往是决定SVM非线性分类性能的关键。实际应用时,一般通过选择几种核函数,并对其参数进行优化,然后根据分类器的预测性能来决定,训练过程非常耗时,而且结果难以保证最优。为此,采用一种通用性的核函数,即PersonⅦ核函数(PUKF),它可取代目前常用的几种核函数,可避免SVM非线性分类器训练过程的核函数选择问题。本研究将基于PUKF的SVM分类器应用于两个化学模式分类问题,均取得了较好的结果。对于多类分类,设计了一种子分类器的构造方法,它在分类性能保持较好的情况下,简化了多类分类器结构,大大降低了计算量。     

基于荧光光谱的苹果汁品种产地分类研究

苹果的品种对于苹果汁的质量是极其重要的,因此检测苹果汁的品种产地对于打击假冒伪劣产品,维护消费者的合法权益是十分有必要的。本文采集了云南和陕西两个区域的不同品种的苹果所榨的89份苹果汁的荧光光谱,其中62个样品作为建模集利用支持向量机进行了建模并进行交叉验证,识别准确率为100%。剩余的27个样品作为验证集对模型进行验证,识别准确率为96.3%。实验结果证明荧光光谱结合支持向量机技术是一种可靠的检测果汁品种产地的技术手段。     

红外运动小目标的检测

通过分析天空背景下红外运动小目标、噪音以及背景的特征,提出一种检测方法·首先利用向量小波变换对运动图像进行预处理;其次采用图像差分进行目标的粗检测,提取出候选目标;最后可根据运动目标和噪音的特征对候选目标进行识别,检测出真实的运动小目标·实验证明,该方法可有效检测天空背景下红外运动小目标·     

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.     

对称向量拟均衡问题有效解的存在性

利用标量化方法建立对称向量拟均衡问题有效解的存在性定理.作为标量化方法的应用,利用这一方法得到向量变分不等式和拟向量变分不等式有效解的存在性定理.     

基于支持向量机混合采样的不平衡数据分类方法

利用传统支持向量机(SVM)对不平衡数据进行分类时,由于真实的少数类支持向量样本过少且难以被识别,造成了分类时效果不是很理想.针对这一问题,提出了一种基于支持向量机混合采样的不平衡数据分类方法(BSMS).该方法首先对经过支持向量机分类的原始不平衡数据按照所处位置的不同划分为支持向量区(SV),多数类非支持向量区(MN...     

非强占优先权下的M/M/1排队

分析带有两个优先权的非强占M/M/1系统的性能,用补充变量法构造向量马尔可夫过程对此排队系统的状态转移方程进行分析,得到两类顾客在非强占优先权的队长联合分布的母函数,进一步讨论,得出了服务台被两类顾客占有和闲置的概率以及两类信元各自的平均队长.     

基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

排序支持的交互数据分类算法及其应用

交互分类是解决数据复杂分类问题的主要手段之一。在现有的大多交互分类系统中,用户能准确识别数据类别,但在有些分类场景中,类别之间的顺序关系更容易被识别,为此,提出一种排序支持的交互数据分类算法。为提升交互分类精度,引入数据的顺序信息,为降低标记难度,提出候选样本推荐策略。另外,提出一种评估分类算法性能的可视化方法,用包含基本车况、交通违法记录、交通事故记录等信息的车辆数据集进行实验验证,将相关车辆分为高危车辆、中危车辆、低危车辆3类,算法的分类结果模型一致度达近98%,验证了方法的有效性。     

基于二阶段异质随机森林的汽油辛烷值预测

构建了基于二阶段异质随机森林的汽油辛烷值预测模型.首先利用样本-位点信息表知识约简模型,筛选出对汽油辛烷值影响大的位点数据作为第一阶段;然后,利用集成学习思想集成支持向量回归和动态时间序列神经网络,构建异质随机森林预测模型作为第二阶段.利用十折交叉法验证模型精度,结果表明该集成学习算法具有有效性和高精度.