一种新的支持向量机分类器的设计方法

提出了一种新的支持向量机分类器的设计方法.该方法利用主成分分析(PCA)及聚类技术在原问题空间中求解,减少了支持向量机分类器中支持向量的维数,且将原问题空间与特征空间中的问题归结为同一类的设计问题.     

星空背景下运动目标级联支持向量机(SVM)高精度检测

为实现空间监视系统光学图像中目标高精度探测,提出了一种星空背景下高精度快速级联式支持向量机空间目标检测算法。通过提取空间目标不同尺度下目标二值规范化特征,训练前两级线性级联支持向量机分类器;继而提取目标的面积、周长、灰度、Hu矩特征作为组合特征,训练第三级支持向量机分类器。在目标检测过程中,采用前两级支持向量机分类器进行候选目标的窗口预测和评分,进而利用第三级支持向量机分类器进行目标确认而给出检测结果。仿真实验及结果分析表明,这种级联支持向量级目标检测方法的精度高、实时性强、适用于星空背景下的空间监视系统。     

星空背景下运动目标级联支持向量机高精度检测

为实现空间监视系统光学图像中目标高精度探测,提出了一种星空背景下高精度快速级联式支持向量机空间目标检测算法。通过提取空间目标不同尺度下目标二值规范化特征,训练前两级线性级联支持向量机分类器;继而提取目标的面积、周长、灰度、Hu矩特征作为组合特征,训练第三级支持向量机分类器。在目标检测过程中,采用前两级支持向量机分类器进行候选目标的窗口预测和评分,进而利用第三级支持向量机分类器进行目标确认而给出检测结果。仿真实验及结果分析表明,这种级联支持向量级目标检测方法的精度高、实时性强、适用于星空背景下的空间监视系统。     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

支持向量机方法中加权后验概率建模方法

为解决传统支持向量机方法不提供概率输出的问题,在支持向量机多类分类问题输出概率建模中,提出了加权后验概率建模方法。该方法在对多个两类支持向量机分类器的输出概率进行组合时,充分考虑了各个两类支持向量机分类器的差异。依据Bayesian理论,采用后验概率作为各个两类支持向量机分类器的权系数。实验结果表明,与投票法及Pairwise Coupling方法相比,加权后验概率方法具有较低的分类错误率,不仅具有较好的分类性能,而且得到的后验概率具有较好的概率分布形态。该方法有效地解决了实际多类分类问题中支持向量机的概率建模问题。     

基于核空间优化支持向量机的合作频谱感知算法

在认知无线电网络中,由于噪声不确定性引起的聚类重叠,导致能量检测的性能明显降低.针对噪声 不确定对频谱感知的影响,提出了一种基于核空间优化支持向量机的合作频谱感知算法.该算法融合了支持向 量机和核空间优化相关理论,将感知用户收集的数据统计量组合成向量,使用Fisher准则对该向量集进行相关运 算,得出使各类数据在高维空间中分离度最高的核函数参数.之后使用支持向量机算法对训练向量进行训练,得 到最优的频谱感知分类器.仿真结果表明,基于核空间优化支持向量机的合作频谱感知算法在噪声不确定情况 下优于传统的合作频谱感知算法.     

基于改进支持向量机的冷轧带钢表面缺陷分类识别

针对冷轧带钢表面缺陷图像模式识别中存在的问题,提出了基于改进支持向量机的冷轧带钢典型表面缺陷分类识别方法.根据带钢表面缺陷图像识别的特点,对渐进直推式支持向量机在其基本原理基础上加以改进,设计了一种冷轧带钢表面缺陷图像模式识别的分类器.通过实验确定了分类器的结构,给出了相关参数选择的方法.对几种生产现场出现频率较高的典型缺陷图像进行了计算机实验研究.研究结果显示,这种分类器很好地克服了传统支持向量机中存在的推广性能差以及当类别距离过近时准确率下降的问题,具有更好的适应性和准确性.     

基于SVM分类机的一种DNA序列判别方法

针对DNA序列类别的分属问题,提出采用支持向量机（Support Vector Machine,SVM）的方法进行分类。根据SVM分类器的要求建立特征属性空间,首先由每个DNA中4个碱基的含量得到4个特征属性,然后在此空间中扩充DNA序列长度的属性,最后根据SVM分类器对已知的DNA分类样本做训练得到分类超平面。利用此超平面检测所要分类的DNA序列,实验结果表明这种方法具有很好的分类精度。     

交互支持向量机学习算法及其应用

交互支持向量机学习算法能解决一些监督学习问题中学习样本较少的问题,它以支持向量机（ Ｓ Ｖ Ｍ ）方法为基础,将设计分类器变成一个交互的过程,即： 根据对已知样本进行的 Ｓ Ｖ Ｍ 分类器设计,主动采样选择“有用”的新样本,并进行下一步 Ｓ Ｖ Ｍ 分类器的设计。与普通 Ｓ Ｖ Ｍ 法相比,该方法所需的样本量大大降低,而且可能达到更好的推广能力。文本信息过滤问题的实例说明了该算法的有效性。     

基于模糊支持向量机的网络入侵检测技术

针对支持向量机算法中存在对噪声数据和异常数据敏感的问题，提出了模糊支持向量机算法，并应用于入侵检测．该算法是在传统支持向量机分类器的构造方法中引入隶属度函数，根据不同输入所得到的分类结果，产生相应的惩罚值．将这个方法应用到入侵检测系统中，能较好地将正常数据和异常数据区分开．实验结果表明，采用模糊支持向量机的入侵检测技术，其误报率低于基于支持向量机的入侵检测，同时其检测率也相对较高．