基于线性SVM子空间的正面人脸检测研究

通过对二阶段的子空间方法的研究,提出了基于线性SVM子空间的正面人脸检测方法.首先构造线性SVM粗分类滤波器,然后在线性SVM粗分类滤波器分割的子空间内构造高斯核的非线性SVM分类器.检测时.为了加快速度引入了平均脸模板匹配进行粗筛选,然后依次通过线性SVM粗分类滤波器、非线性SVM分类器进行人脸检测.     

支持向量机在大类别数分类中的应用

研究支持向量机在大类别数分类中的应用;结合二叉决策树的基本思想提出一种基于支持向量机（support vector machine,SVM)的大类别数分类解决方法,即SVM决策树方法,对不同背景下可选用的SVM决策树的结构进行了讨论,分析了SVM决策树的特点,并对其识别错误率进行数学进行,结果表明该方法可降低平均分类错误率,对实际应用中的多类分类问题提供新的途径。     

基于WLLE和SVM的植物叶片图像识别方法

针对局部线性嵌入(LLE)算法易受噪声影响,以及最近邻分类器不能有效识别植物叶片图像,提出一种基于加权局部线性嵌入(WLLE)和支持向量机(SVM)的植物叶片图像识别方法.首先利用WLLE算法对预处理后的含有高斯噪声叶片图像进行特征提取,然后采用SVM分类机制对叶片图像进行训练和识别,最后在真实的植物叶片图像数据库中提取植物叶片图像进行分类实验.实验结果表明该方法能提高叶片图像的分类率.     

基于WLLE和SVM的植物叶片图像识别方法

针对局部线性嵌入(LLE)算法易受噪声影响,以及最近邻分类器不能有效识别植物叶片图像,提出一种基于加权局部线性嵌入(WLLE)和支持向量机(SVM)的植物叶片图像识别方法.首先利用WLLE算法对预处理后的含有高斯噪声叶片图像进行特征提取,然后采用SVM分类机制对叶片图像进行训练和识别,最后在真实的植物叶片图像数据库中提取植物叶片图像进行分类实验.实验结果表明该方法能提高叶片图像的分类率.     

基于SVM的人脸识别方法研究

在人脸的特征提取及分类识别实验中,使用K-L变换提取了人脸图像的数字特征,用SVM进行分类识别,对40个人的280幅图片构成的训练样本集构造基于支持向量分量的两个不同核函数的分类器。对这40个人的其他120幅图片构成的测试样本集分类,两种分类器分别取得了9.83%和10.08%的分类错误率,分类器达到了很好的效果。     

基于超立方体分割的分片线性逼近

为了解决复杂非线性系统的建模问题,提出一种基于超立方体分割的分片线性逼近模型.该模型将定义域分割成超立方体,在每个超立方体内用一个线性函数描述原来的非线性函数.再借助格表示形式,通过选择合适的连接得到由这些局部线性函数构成的连续分片线性函数.证明对于任何二阶可导的非线性函数,该模型都能任意精度逼近.因为不用再把每个超立方体都分割成单纯形,该模型有助于构造出更加简单的连续分片线性函数,并能处理复杂的高维问题.     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

SVM和BP算法在掌纹验证方法中的比较

本章通过用SVM算法和神经网络算法两种方法对掌纹图像进行分类,验证了基于SVM算法分类的优越性远远大于传统的神经网络算法分类.而且,SVM算法具有良好的抗噪性,而对于神经网络算法,一旦输入向量的维数增加,其收敛性和错误率都会发生较大的偏差.实验结果验证了用SVM算法比用神经网络算法有更大的准确率,尤其在小样本、高维数的分类上.     

SVM-KNN 分类器在异常行为检测中的应用

提出了一种新的异常行为检测方法,将SVM算法和KNN算法结合,在对识别样本判别时,当其与最优分类面的距离大于给定阈值时,采用SVM分类算法,否则采用KNN算法,从而减少了SVM算法的错误率.实验结果表明,SVM-KNN算法对异常行为检测的准确率达到95.86%.     

一种新的 SVM 决策树

SVM在小训练样本、高维情况下具有很好的泛化性能,但它不适用于多类分类.本文分析基本的SVM和多类SVM分类器,重点讨论了SVM决策树,提出了一种结点分类器类集合划分方案来构造SVM决策树.实验结果表明,以这种方法构造的SVM决策树分类器分类性能较好.     

格分片线性函数的辨识和优化

格分片线性模型由一个实数矩阵和一个 0 - 1矩阵所确定 ,能够表示任意维变量的全体连续分片线性函数 ,其实数矩阵完全由它的局部线性函数的参数向量所组成。这些特点为辨识分片线性函数和利用线性模型的分析方法解决分片线性模型描述的非线性问题提供了极大的便利。该文引入格分片线性模型解决非线性函数的辨识问题。给出了辨识格分片线性函数的实用算法。并对线性约束下的格分片线性函数优化问题提出了通过线性规划算法确定全局最优解的简单方法。这些工作表明 ,用格分片线性函数建模是解决非线性问题的一种有效途径     

用局部拟合法自动绘制等值线图

本文介绍了在任意四边形或三角形单元内自动绘制等值线图的局部拟合法。该方法利用各单元节点上已知的物理量值直接构造局部分片曲面。全方位搜索等值点集合。根据等值点处导数值的正负号控制等值线在网格内的游动。     

基于Gabor滤波器和模糊支持向量机的纹理分割

文章提出基于Gabor多通道滤波器和模糊支持向量机的纹理分割.采用Gabor滤波器提取特征向量,送入FSVM进行分类,并与SVM、RBF神经网络的分割结果做比较.结果表明:FSVM和SVM比RBF神经网络具有较好的泛化性能,训练时间也大大减少.此外,FSVM比SVM分类错误率低,有更强的抵抗噪声能力.     

一种新的支持向量机树学习模型

针对特征空间维数较高时,混淆交叉支持向量机树中间节点的学习结果可能包含冗余特征信息的情况,考虑各维特征之间的相互关系以及各数据点之间的相互关系对数据的分类影响,提出一种基于有监督局部线性嵌入的支持向量机树学习模型.考虑每个中间节点上需要不同的特征信息进行局部决策,分别对每个中间节点(包括根节点)上的样例进行有监督局部线性嵌入学习.实验以手写阿拉伯数字识别问题为例验证和分析了模型的结构和分类识别性能,与其他学习模型的对比结果表明,该模型能在有监督局部线性嵌入学习的基础上,以更精简的结构获得与其他学习模型可比的识别精确率.     

二维连续分片线性绝对值模型

因为连续分片线性常规模型使用过多参数 ,所以研究它的紧凑模型很有必要。通过分析连续分片线性函数本身而不仅仅分析函数的定义域 ,采用分解叠加的方式构造出函数的新绝对值紧凑模型。模型的有效性被严格证明。证明过程中还给出表示已有连续分片线性函数的算法。新模型有两个明显的优点 :一是可以直观简便地表示所有二维空间上连续分片线性函数 ;二是便于给出用连续分片线性函数逼近连续非线性函数的算法。     

基于SVM技术的精简极速学习机

针对极速学习机(ELM)性能过分依赖于隐层节点稠密的单隐层前馈神经网络(SLFN)问题,提出了适用于多类分类的精简型ELM,即SVM-ELM(基于支持向量机优化的ELM).该方法大幅削减隐层节点数为类别数,同时通过SVM技术优化每个节点的线性决策函数,显著提高单个节点的决策水平,为ELM的宏观决策提供有利条件.在HCL2000,MNIST和USPS等公共数据集上的实验表明:该方法能够减少节点数目而不损害学习精度,当类别数为10时,基于SVM-ELM方法构造的10节点SLFN泛化性能即可超越基于原始ELM方法构造的包含成千上万个隐层节点SLFN的泛化性能.     

基于MRI灌注的计算机辅助肝脏病变检测

在对肝脏灌注经典的算法进行比较分析的基础上,改进了灌注图像数据的测量,使用Bayes和SVM分类器进行计算机辅助肝脏病变检测。实验结果表明该文设计的针对MRI灌注图像利用多核SVM算法可以在降低算法复杂度的基础上有效降低分类错误率,从而可以有效进行对肝脏病变的计算机辅助检测。     

基于Laplace谱结构特征和局部特征的图像分类

鉴于常规词袋模型中图像局部特征对图像信息表达不全面的特点,提出一种基于图像Laplace谱结构特征与局部特征相结合的图像分类方法.在提取基于图像均匀划分的Laplace谱结构特征后,对图像进行尺度不变特征变换(scale-invariant feature transform,简称SIFT)的抽取及描述;构造基于图像特征的视觉词典;根据视觉词典对图像特征进行量化,得到图像的全局特征直方图表示;构造支持向量机(support vector machine,简称SVM)分类器并进行图像分类.实验验证了该方法对图像进行分类的有效性与可行性.     

基于分形维数和SVM的新疆民间艺术图案分类

针对已有分类器存在的缺陷, 提出一种以分类错误率为标准选择组合特征的分类方法, 提高分类器的分类精度. 先提取图像的4种分形维数作为纹理特征, 再通过组合不同分形维数特征应用于支持向量机(SVM)进入样本训练阶段. 将分类错误率最低的特征组合作为分类器的特征向量, 应用于测试阶段的分类, 提高分类器的分类精度. 实验结果表明, 该方法具有较好的推广性, 为图像特征组合提取提供了新途径.     

杂交宏元方法的收敛性分析

对一个4节点的低阶杂交应力四边形宏元方法进行了理论分析.该宏元采用连续分片线性位移插值逼近和分片独立设计的5参数自平衡应力模式.分析表明，单元上采用连续分片线性位移与采用等参双线性位移具有等价性，从而证明了有限元解的存在唯一性，并导出相应的误差估计.