Logistic核函数及其在语音识别中的应用

核函数是支持向量机(SVM)的核心,直接决定着SVM的性能.为提高SVM在语音识别问题中的学习能力和泛化能力,文中提出了一种Logistic核函数,并给出了该Logistic核函数是Mercer核的理论证明.在双螺旋、语音识别问题上的实验结果表明,该Logistic核函数是有效的,其性能优于线性、多项式、径向基、指数径向基的核函数,尤其是在语音识别中,该Logistic核函数具有更好的识别性能.     

基于fast PCA和K-CV优化SVM的人脸识别算法研究

为了解决支持向量机(Support Vector Machine, SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis, fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100%;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61%～8.92%.     

基于支持向量机的抗噪语音识别

阐述了支持向量机的分类机理,采用改进的MFCC语音特征参数,用基于不同核函数的支持向量机(SVM)作为语识别网络,对SVM多类分类问题采用"一对一"分类算法,实现了一个孤立词非特定人中等词汇量的抗噪语音识别系统。通过实验,得到了不同核函数下的识别结果;分析了核参数和误差惩罚参数对SVM推广能力的影响,并将实验结果同基于RBF神经网络的识别结果进行了比较。     

基于一类SVM概率密度估计的多分类贝叶斯算法研究

为降低训练分类器的运算复杂度，并解决支持向量机（SVM）对多类分类问题没有特别有效解决方法的问 题。提出了一种基于一类支持向量机的多分类贝叶斯算法，证明了基于径向基核函数的一类SVM的分类函数归 一化为密度函数，并将所得的概率密度函数用于构造二分类及多分类贝叶斯分类器。仿真实验将提出的多分类贝 叶斯算法应用于多类通信信号调制识别，结果表明：该算法的分类准确率不低于传统SVM多分类器，而在多类属、 每类训练样本数目较大的情况下训练所需的运算量和存储量仅是传统SVM多分类算法的0.5%大大减小了核 矩阵规模和     

支持向量机在地层识别中的应用

以径向基函数RBF为核函数,根据测井数据建立支持向量机的地层识别模型(SVMM).通过对SVMM分类器中惩罚参数C的优选,结合生产工程需要引入判断函数,提高了SVMM分类器的分类正确率.试验表明:SVM分类器应用在地层识别中效果良好,而且具有广阔的应用前景.     

基于一类SVM的贝叶斯分类算法

提出一种基于一类支持向量机(one-class SVM)的贝叶斯分类算法,该算法用一类SVM对类条件概率密度进行估计以构造贝叶斯分类器. 证明采用高斯核的一类SVM,其解可以归一化为密度函数,并把该密度函数看作类条件概率密度的平滑估计,构造贝叶斯分类器. 实际数据集上的实验结果表明,提出的分类算法测试准确率高于简单贝叶斯分类器与贝叶斯网络分类器,不低于传统二类SVM;比传统二类SVM需要计算的核矩阵规模更小,训练时间更短.     

基于SVM信息融合方法的人脸表情识别

提出一种基于支持向量机(SVM)的信息融合方法进行人脸表情识别．该方法首先对 预处理后的人脸图像进行局部特征和整体特征的提取;然后用最小距离分类器、最近邻距离 分类器、最大相关分类器、径向基函数(RBF)神经网络分类器进行表情识别;最后构造一 个三阶的多项式支持向量机对多个分类器的输出进行决策融合以达到人脸表情识别的目的．     

基于支持向量机的垃圾信息过滤方法

针对垃圾信息过滤的问题,提出了一种基于支持向量机(SVM)算法的垃圾信息过滤方法. 利用文本分类和信息检索领域所常用的性能评价指标,建立了垃圾信息过滤的评价体系,针对仿真实验获得的实验数据,利用所建立的垃圾信息过滤评价体系对实验数据评价结果,选取了适合的核函数及其参数,构建了SVM分类器,同时也通过仿真实验和评价体系对SVM分类器和传统贝叶斯分类器进行了测试和评估. 结果表明,基于SVM算法的分类器提高了信息过滤的准确性,同时也验证了SVM算法在垃圾信息过滤中的有效性.      

基于多核支持向量机的句子分类算法

主流句子分类算法采用单一词向量表示模型获得文本表示,导致了对文本的映射能力不足.对此,通过融合多种词向量的文本表示以提高分类的准确率.针对多核学习在融合不同核函数时,常规的核函数系数寻优方法存在的训练时间长、难以求得局部最优解等问题,提出了一种新的核函数系数寻优方法,该方法基于参数空间分割与广度优先搜索不断逼近核系数的最优值.以支持向量机(support vector machine,SVM)为分类器,在7个文本数据集上进行了分类实验.实验结果表明,多核学习分类效果明显优于单核学习,并且所提出的寻优方法在训练次数少于常规方法时也能获得了好的分类效果.     

基于SVM的机器人工件识别

支持向量机(SVM)是一种崭新的机器学习方法,建立在结构风险最小化原理基础上,寻找一个最优分类超平面,引进核函数将低维空间向量映射到高维空间.此方法能解决小样本、非线性及高维模式识别中的问题.鉴于此,将SVM应用于多传感器信息融合,并针对多类型目标识别问题,采用“oneagainstall”方法构造多元分类器.实验中比较了采用不同核函数构造的SVM的分类效果,结果表明SVM具有较高的识别率,其中三项多项式核函数构造的SVM的识别率最高,可达到93.2%.另外,还比较了单传感器和多传感器融合的识别结果,单传感器的识别率只有63.7%,大大低于多传感器融合的识别率.     

基于鸟群算法的SVM参数选择

针对支持向量机(SVM)分类器参数选择问题,提出了基于鸟群算法(BSA)的SVM参数选择方法(BSASVM),以优化SVM惩罚参数和核参数.鸟群算法具有优化精度高、鲁棒性好等特点,将SVM参数作为鸟群算法目标函数的优化参数,在搜索到最优值的同时得到最优参数.通过8个UCI标准数据集的MATLAB仿真对比实验,验证了BSA-SVM能有效提高分类准确性.实验结果表明:BSA-SVM能更加准确地找到SVM最优参数,从而加强SVM学习与泛化能力,是一种有效的SVM参数优化方法.     

一种基于混合核函数SVM的人脸识别方法

SVM是人脸识别中最常使用的一种机器学习领域算法,它通过距离概念得到对数据分布的结构化描述,降低了对数据规模的要求,适合处理人脸图像这种小样本训练集的分类问题。其中SVM的核函数的选择对分类精度影响很大,全局核函数的预测函数对输出进行正确预测的能力较高,而局部核函数具有较强的学习能力,兼顾两者特点,使用结合RBF核和Sigmoid核的混合核来设计SVM分类器进行识别。针对ORL库进行PCA特征提取,然后使用基于混合核的SVM分类器进行识别分类。实验结果表明,在识别率上,基于该混合核函数的SVM分类器比基于普通核函数SVM分类器要更占优势。     

一种面向稀疏表示的最大间隔字典学习算法

近年来,基于稀疏表示的分类技术(SRC)在图像分类和目标识别中取得了巨大的成功。在该框架中,过完备基的学习和多类分类器(通常为支持向量机SVM)的训练是最关键的两个步骤。但在目前的许多方法中,这两个模块的构建过程都是相互独立的。该文针对以上问题,提出了一种用于稀疏表示的最大间隔字典学习算法,将两类SVM分类器的损失函数项的平方及分类间隔作为正则项与稀疏字典的学习过程进行了整合,并提出相应的坐标轮换优化算法对目标函数进行优化,实现了字典和分类器的同步学习。所提出的框架能够增强多类分类器中两类分类器的推广性能,并减少多类分类器的误差界。为了对所提出算法的性能进行评价,在2个常用标准库上进行了分类实验。结果表明,所提出的算法的与SRC相比识别率提升均超过3%。     

一种基于KNN与改进SVM的车牌字符识别算法

提出了一种将KNN(K近邻)和支持向量机相结合的字符识别算法.首先用KNN对字符进行判断,如果输出的置信度大于阈值,则认为分类正确;如果小于阈值则采用支持向量机进行判决.改进了SVM分类器,通过调整支持向量机的分类超平面改进了支持向量机的性能.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

基于SVM混凝土电镜图像类型识别

目的为了准确、快速地对混凝土电镜图像进行自动识别分类,选取合理的特征提取方法以及分类算法,解决预判混凝土耐久性问题.方法利用一种基于局部二值模式(Local Binary Pattern,LBP)的特征提取方法和支持向量机(Support Vector Machine,SVM)分类器的组合模式,对混凝土在电镜下的图像进行特征提取和类别判定,并对SVM分类器选取合理的核函数以及核函数参数.结果采用笔者方法最终图像识别准确率可达79.7%,LBP基本特征算子较好地满足了纹理特征图像的特征提取要求;通过SVM分类器对图像进行分类可以将含有纹理特征的图像成功分类.结论该方法成功有效地识别混凝土的内部多层次结构辅助辨别混凝土的耐久性问题;LBP基本算子和SVM分类算法的组合算法在特征提取与识别分类具有很好的实用性及高效性.     

基于小波支持向量机的非高斯空间风压内外插预测

支持向量机(SVM)的性能取决于核函数及核参数的选取.基于小波分析理论构造出满足Mercer平移不变核定理的Mexican Hat小波核函数(MW),将MW和B样条核函数分别与最小二乘支持向量机(LSSVM)结合,形成MW-LSSVM和BS-LSSVM.运用粒子群(PSO)算法对MW-LSSVM和BS-LSSVM的正则化参数及核参数进行智能优化,建立了PSO-MW-LSSVM和PSO-BS-LSSVM的空间风压预测算法.实测风压预测结果表明,MW-LSSVM比BS-LSSVM和传统的径向基核函数RBF-LSSVM具有更好的非高斯风压预测性能及泛化能力,而且稳定性更强,具有较高的工程应用价值.     

基于改进涡流搜索算法的支持向量机分类模型

支持向量机( SVM: Support Vector Machine) 是定义在特征空间上的间隔最大的线性分类器,参数的选择 决定了其学习性能和泛化能力。针对此参数选择问题,采用改进的涡流搜索算法对支持向量机参数进行选择, 寻找最优适应度函数。仿真实验表明,改进的涡流搜索算法是一种有效的SVM 参数选择方法,有利于跳出局 部最小值,其优化性能不低于涡流搜索算法。     

基于组合核函数SVM的说话人识别方法

 鉴于应用支持向量机进行说话人识别过度依赖于选择核函数的问题,提出一种基于组合核函数支持向量机(SVM)的说话人识别方法.对多项式核函数、径向基核函数进行线性加权,构建既具有全局核函数优点又具有局部核函数优点的组合核函数,并通过多重网格搜索调节权重系数使组合核函数适用于当前数据分布,确定组合核函数SVM 的最优参数,实现对说话人的有效识别.对TIMIT 数据集和含噪声数据集的仿真实验显示,基于组合核函数SVM 的说话人识别性能明显优于单一的多项式核函数、径向基核函数和线性核函数.     

一种应用于文本相关说话人确认的L-向量表示和改进的余弦距离核函数

提出了一种用于文本相关说说话人确认技术的i-向量提取方法和L-向量表示.一段用于注册或识别的语音可以用i-向量和L-向量联合表示.同时提出了一种改进的用于支持向量机(SVM)后端分类的核函数,改进的核函数可以同时区分说话人身份的差异和文本内容的差异.在RSR 2015语料集合1和集合2上验证系统的性能,实验结果显示改进的算法相对于传统的i-向量系统的基线能提高至多30%的识别率.     

基于量子演化理论的行人检测改进算法

对视频中移动摄像头下的行人检测问题进行了研究,在AdaBoost行人分类算法、支持向量机(SVM)理论和多目标优化原理的基础之上,并结合三者的特点,提出了一种基于量子演化算法的行人检测优化算法。首先,使用传统的AdaBoost算法对行人进行粗粒度的分类,然后使用支持向量机(SVM)设计精度更高的行人检测器。针对SVM的分类器参数多、关系复杂,而且无好的调节准则,根据核函数的构建条件,将实值量子演化算法引入到SVM参数的寻优问题中,对于分类性能采用多目标优化的方法,取得了较好的效果;同时从理论上分析了算法的复杂度。经过实例测试,算法与经典多目标优化算法NSGA-II的相比,改进效果明显。最后的实验说明了算法检测的准确性。