基于双混沌系统和SVM的鲁棒性数字水印算法

支持向量机(SVM)由于其良好的分类和回归特性,在信号处理等领域有较好的应用.该文将Arnold变换和SVM回归算法结合应用在版权保护的数字水印算法中.首先将宿主图像划分为大小相等的块,用Arnold变换选取SVM的训练图像块(TB)和水印的嵌入图像块(EB),然后将Logistic混沌系统调制过的水印图像通过修改EB中心像素值将其嵌入.实验结果显示,该算法水印的具有较高的安全性和良好的视觉特性,而且可以有效抵抗噪声,剪切,JPEG等常规的攻击.     

一种基于支持向量机和主成分分析的多光谱图像的分类方法

多光谱图像分类方面,由于普通的SVM方法没有考虑多光谱图像具有高维度和冗余的特点,因此难以实现令人满意的分类精度．本文提出了一种基于SVM和主成分分析相结合的多光谱的图像分类方法．并用5幅6波段两类地形的多光谱图像进行实验．实验结果表明,这种分类方法与普通的SVM方法相比提高了多光谱图像的分类精度．     

基于支持向量机和蒙特卡洛的结构可靠性分析方法及应用

将支持向量机作为极限状态函数重构的工具引入结构可靠性分析问题中,并结合蒙特卡洛方法,分别给出了模式识别型和函数回归型两种支持向量机（SVM）模型应用于结构可靠性分析的计算流程图。结合数值算例,对两种支持向量机模型在结构可靠性问题的应用方面进行了对比,并研究了训练样本数目、核函数类型、模型参数的取值以及随机变量数目等因素对可靠性分析结果的影响。最后以某自升式平台为工程对象,进行了考虑多个随机变量的结构可靠性评估。结果表明：在应用支持向量机方法进行极限状态函数重构时,无论是模式识别型SVM模型还是函数回归型SVM模型均可取得良好的效果,前者对模型参数的敏感程度大于后者;支持向量机理论作为极限状态函数重构工具与蒙特卡洛方法相结合,可有效解决大型复杂工程结构可靠性分析精度和效率问题。     

数据挖掘在现代农业物流管理决策中的应用研究

现代农业物流的信息化、网络化和智能化发展为数据挖掘技术的应用提出了要求.分析了数据挖掘用于现代农业物流管理的重要意义,以数据仓库技术、数据挖掘技术为重点,分析了数据挖掘在现代农业物流管理决策中的挖掘过程及实现技术,指出了数据挖掘技术将为现代农业物流管理决策提供越来越强大的支持功能.     

基于小波变换和支持向量机的音频分类

音频特征提取是音频分类的基础,而音频分类又是基于内容的音频检索的关键。使用小波变换和支持向量机的方法对音频进行分类。研究了小波变换域的音频特征提取,分析了这些特征在小波变换域中的意义。把得到的特征向量作为支持向量机的输入,把音频分成纯语音、带背景音乐的语音、音乐、环境音4种类型。实验结果表明,基于小波域的特征计算简单、能够较好地区分不同的音频类型,得到较高的分类精度。     

基于灰色关联支持向量机的中国粮食产量预测模型

研究我国粮食生产系统的变动规律,做好粮食产量科学预测不仅是制定农业政策的重要依据,而且对于保证我国的粮食安全具有重要意义。鉴于粮食生产系统的复杂性和信息不完全性,在对粮食生产系统灰色关联分析的基础上,确定出影响粮食产量的主要因子,然后根据支持向量机回归原理,建立了基于灰色关联支持向量机的预测模型。预测结果表明该模型具有较高的预测精度,为粮食产量预测提供了一条新的途径。     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.     

基于参数嵌入算法的支持向量机分类可视化研究

针对常用的降维算法只能可视化高维数据某一方面或某几方面特征的不足,运用参数嵌入算法在低维空间可视化其所有的特征。首先假设数据的类别在嵌入空间服从高斯分布,通过支持向量机分类算法获得训练数据在高维空间类别属性的后验概率,然后运用参数嵌入算法得到测试数据在嵌入空间的坐标和类别属性,从而实现高维数据分类的可视化．在Usps,YaleB,Mini Newsgroups数据集上的实验结果表明,该方法不仅能在低维空间表示高维数据与所属类别的联系,而且能正确揭示出数据集内部和类别集内部的关系,有利于深入研究高维数据分类的性质,参数嵌入算法的可视化效果优于直接应用PCA,ISOMAP等算法得到的低维图形,并且计算复杂度仅是数据类别和相应个数的乘积,非常适合于数据量大,类别数较少的数据分类可视化。     

基于支持向量机的并行学习方法研究

基于决策论中信息源合并规则,提出了基于支持向量机的并行学习方法(B-SVMs).在训练阶段,B-SVMs将一个大规模问题随机分解成若干规模较小的子问题,针对每个子问题同时训练支持向量机.在测试阶段,各个支持向量机并行给出测试结果,B-SVMs利用信息源合并规则将各支持向量机的输出组合而得到最终测试结果.在4个问题上与基于多数投票策略的组合支持向量机(MV-SVMs)和快速模块化支持向量机(FM-SVMs)相比,B-SVMs的泛化能力较高.与利用全部样本训练的标准支持向量机相比,B-SVMs极大地减少了训练时间和测试时间,而且具有与其相当的泛化能力.     

基于SVM的心肌位移场拟合方法

使用加标记的核磁共振技术研究心肌形变是当今研究心肌运动的主要方法之一。如何由稀疏的标记线交点建立准确、连续的心肌位移场是研究工作的难点之一。本文提出了采用支持向量机的心肌质点连续位移场拟合的方法,实验表明该方法具有物理意义明确、算法简单、精度高的特点。