排序方式: 共有245条查询结果,搜索用时 31 毫秒
1.
基于主元分析与支持向量机的人脸识别方法 总被引:28,自引:1,他引:27
基于支持向量机(SVM)在处理小样本,高维数及泛化性能等强方面的优势,提出了一种基于主元分析(PCA)与SVM的人脸识别方法,利用PCA方法对人脸图像进行特征提取,再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别,剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。 相似文献
2.
基于密度法的模糊支持向量机 总被引:13,自引:0,他引:13
针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点,提出了一种基于密度法的模糊支持向量机,在支持向量机中引入样本密度模糊参数,从而减弱了噪音以及孤立点对支持向量机分类的影响.实验结果证明,在抗击孤立点和噪音点的干扰方面,上述方法优于类中心向量方法以及类中心点距离方法,取得了很好的效果.这一方法大大提高了支持向量机分类的泛化能力,从而大大提高了支持向量机的应用范围. 相似文献
3.
基于支持向量机的人脸姿态判定 总被引:11,自引:0,他引:11
对于多姿态人脸检测中的姿态判定问题,提出了一种基于支持向量机(SVM)的人脸姿态判定算法。将人脸姿态划分成6个类别,从一个多姿态人脸库中手工标定出1800幅人脸图像作为训练样本集,分别训练基于支持向量分类(SVC)和基于支持向量回归(SVR)2种姿态分类器。另外标定出300幅人脸图像作为测试样本。SVC方法和SVR方法分别取得了1.67%和3.33%的分类错误率。其中SVC方法的分类效果明显优于在传统方法中效果最好的人工神经元网络(ANN)方法(分类错误率为3.33%)。对比实验结果表明,SVM方法对于解决姿态判定问题是很有效的。 相似文献
4.
统计学习理论和支持向量机 总被引:10,自引:0,他引:10
介绍了统计学习理论和支持向量机的概貌,以及目前支持向量机方法研究的现状. 相似文献
5.
基于核主元分析法和支持向量机的人耳识别 总被引:9,自引:0,他引:9
对人耳识别中若干关键问题进行了研究. 介绍了两种人耳图像归一化处理的方法,即基于外耳轮廓长轴的线标记法和基于外耳轮廓起始点的点标记法,并对这两种方法进行了对比. 在分析现有人耳识别方法不足的基础上,提出利用核主元分析法提取人耳图像的代数特征,再利用支持向量机分类模型进行人耳识别. 在带有角度、光照变化的北京科技大学人耳图像库上得到的识别率为98.7%,表明了该识别方法的有效性以及利用人耳图像进行身份识别的可行性. 相似文献
6.
基于支持向量机的多类形状识别系统 总被引:9,自引:0,他引:9
支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法,文中研究了支持向量机的分类机理,并将其应用于形状识别中,利用一对一判别策略构建了多类形状识别系统,实验中以交通标志图像为实验对象进行分类,结果表明该方法的泛化能力优于一般的识别方法。 相似文献
7.
基于SVM的空间数据库的层次聚类分析 总被引:7,自引:0,他引:7
支持向量机用于两类问题的识别研究.本算法引入了SVM,构造二叉树对多类问题进行层次聚类分析.该算法采用SVM对两类问题进行识别,通过合并逐步由底向上构造二叉树,最终二叉树的数目即为聚类数.它适合任意形状的聚类问题,而且可以确定最优聚类的结果,并适于高维数据的分析. 相似文献
8.
基于支持向量机的物流服务顾客满意度评价模型 总被引:6,自引:0,他引:6
提出了一种新的基于支持向量机(SVM)的物流服务顾客满意度(CSD)评价方法.归纳了物流服务CSD指标体系的设计原则,给出了具体的评价指标体系并采用模糊隶属函数和二元对比排序法对其进行量化.将量化后的指标因素集作为SVM的训练集,采用一对一的分类策略建立了CSD的评价模型.最后通过仿真实验指出了基于SVM的CSD评价方法比以往的模糊综合评价法和神经网络评价法测试正确率高,实用性强. 相似文献
9.
基于PCA和KPCA特征抽取的SVM网络入侵检测方法 总被引:6,自引:0,他引:6
提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。 相似文献
10.
一种用于RBF神经网络的支持向量机与BP的混合学习算法 总被引:6,自引:2,他引:4
基于支持向量机与径向基(RBF)神经网络在结构上的相似性,提出了一种用于RBF网络的支持向量机与BP的混合学习算法.算法分为2步:首先采用序贯最小优化算法学习训练支持向量机,得到RBF网络较优的初始结构和参数;随后由BP算法调整优化RBF网络参数.混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点.仿真研究表明,混合学习算法学习效率高,网络性能优良,应用于函数逼近时效果优良. 相似文献