基于SVM的图像分类研究

支持向量机（SVM）是一种优秀的分类方法,灰度共生矩阵（GLCM）是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法。实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高。     

基于LDA/GSVD和支持向量机的人耳识别

针对人耳图像自身的特点并通过对现有方法的研究,提出了一种先利用LDA/GSVD算法对样本图像进行特征提取,然后运用SVM分类器对样本向量进行分类的人耳识别方法.此外,还对线性判别分析、广义奇异值分解和支持向量机的相关内容做了简要介绍.实验表明,LDA/GSVD很好地解决了在高维、小样本的情况下,使用Fisher线性鉴别分析的特征提取方法存在的病态奇异问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法.     

基于遗传算法优化匹配追踪的自然环境声音分类

针对自然环境中各种背景噪声下的声音事件识别问题,提出一种基于遗传匹配追踪算法将自然环境音频信号稀疏表示进行分类的方法.首先,利用匹配追踪(MP)算法稀疏表示信号的主体结构,以消除噪声影响,其中利用采用精英策略的遗传算法(GA)优化MP的分解重构速度;接着,提取MFCCs作为音频信号的特征参数;最后,使用分类器支持向量机(SVM)和高斯混合模型(GMM)对4大类19种声音进行分类与比较,分类效果明显优于未进行稀疏表示的声音信号.实验表明,SVM模型分类效果优于GMM,提出的方法对实地采集的自然环境音频信号能有效识别.     

一种基于ELM-SVM的遥感图像分类方法

提出一种极限学习机(ELM)和支持向量机(SVM)相融合的遥感图像分类模式.选取ELM为基础分类器,以SVM来修正改善分类效率.仿真实验结果表明,该算法不仅具有较高的分类精度,而且消除一些训练样本标签对分类的负面影响.结合ALOS/PALSAR、PSM图像与SVM、ANN(Artificial Neural Network)方法进行对比分析,发现该方法鲁棒性较好.     

基于特征融合方法的车型识别研究

车辆音频信号具有复杂的特征,单一特征提取方法不能全面反应该特点。为了使提取的音频信号特征能更好地反映车辆原始信号,本文提出了将已有的短时能量(ENERGY)、短时傅里叶变换（STFT）及梅尔倒谱系数（MFCC）特征提取方法进行融合的方法,依据支持向量机（SVM）的分类识别算法,达到车辆识别的目的。实验表明,提出的组合方法优于单一提取方法,实现了提高识别率的目标,其中,ENERGY+MFCC组合方式效果最好。     

基于深度学习与支持向量机的低截获概率雷达信号识别

 提出了一种基于栈式自编码器与支持向量机的低截获概率（LPI）雷达信号识别方法。首先,通过Choi-Williams分布,将信号变换到时频域,获取信号的时频图像;其次,使用图像预处理方法对时频图像进行处理,得到便于自编码器处理的图像;再次,使用栈式自编码器从预处理后的时频图像中自动地提取出信号特征;最后,基于提取的信号特征使用支持向量机（SVM）对信号进行分类。本方法使用任意波形发生器（AWG）模拟产生了8类LPI雷达信号,采用栈式自编码器与支持向量机相结合的方法识别信号。仿真实验结果表明,该方法能够在低信噪比和小样本情形下有效识别LPI雷达信号。     

一种基于参数优化C-SVM的脑电信号分类方法及应用

脑电信号（electroencephalograph,EEG）由于自身信号微弱且容易受到周边环境和大脑内部其他活动的影响,对其进行特征分类并提高分类准确率这一问题一直是脑机接口领域的难点。传统的基于支持向量机（support vector machines, SVM）的脑电信号特征分类方法在选取惩罚参数与核函数参数时大都只是采用经验数据,而忽略了参数优化对提升SVM分类效果重要性,而现有的参数优化方法计算复杂严重影响了分类效率。针对以上问题,提出了一种通过交叉检验和LOO误差上界对C SVM中的惩罚参数C和核函数参数进行优化的方法,并在理论分析的基础上结合实验证明了参数优化后的分类方法能够有效提高脑电信号分类的准确率且对分类效率影响不大。     

基于稀疏编码和多核学习的图像分类算法

提出了一种基于稀疏编码和多核学习的图像分类算法.首先从图像中提取Dense-SIFT（Dense Scale Invariant Feature Transform）和Dense-SURF（Dense Speeded Up Robust Feature）2种特征,使用稀疏编码对特征点进行处理,得到一系列高维向量,然后对这些高维向量应用max-pooling算法,将图像表示成单个向量.最后,使用改进的多核学习方法对这些向量进行分类,对于不同的特征,使用不同核的组合以达到最好的分类效果.实验结果表明,该算法作为词袋（BoW）模型的改进,能够提高分类准确率.
     

基于深度置信网络的道岔故障智能诊断方法

传统的道岔故障诊断方法往往依赖于复杂的信号处理过程以及丰富的专家经验，需要对信号进行精确的分段，过程繁琐，不利于现场使用。采用粒子群算法(PSO)优化的深度置信网络(DBN)的方法，直接对道岔功率原始数据提取特征，利用受限玻尔兹曼机（RBM）逐层拟合数据特征同时实现对数据的降维。然后采用极限学习机（ELM）对故障进行分类，提高了诊断的速度。研究结果表明：与PSO优化的支持向量机（SVM）方法相比，准确率提升了4%，达到了96%，所用时间也大大减少。     

一种基于离散小波变换和支持向量机的人脸识别新方法

为提高人脸识别系统的性能,提出了一种基于离散小波变换DWT（discrete wavelet transform）特征提取和支持向量机（SVM）分类的人脸识别方法。首先,采用DWT对人脸图像进行降维和去噪,然后,对小波低频子图像进行核辨别分析（KDA）提取人脸特征,最后,结合SVM进行分类识别。基于该方法,对ORL人脸库进行分类识别,采用39个特征识别率达到98．2％。仿真结果表明,该方法明显减少了高频干扰对人脸特征的影响,增强了特征的辨别能力。而且,SVM有效地提高了分类器的分类和推广能力。     

基于听觉图像的音乐流派自动分类

音乐流派的自动分类是音乐信息检索系统的重要组成部分.将听觉图像引入音乐流派的分类研究中,用听觉图像模型模拟人耳耳蜗结构,基于音乐流派分类研究常用的GTZAN数据库,将一维音频信号转换为二维听觉图像,对音乐听觉图像进行尺度不变特征转换（SIFT）及空间金字塔匹配（SPM）,从局部到整体地提取图像的纹理特征,最后采用LibSVM中线性核函数的支持向量机对音乐流派进行分类.实验结果表明,与同样基于人耳耳蜗结构提出的美尔频率倒谱系数（MFCC）流派分类方法相比,基于听觉图像的流派分类正确率提高15%.     

模拟退火算法与支持向量机在机械故障诊断中的应用

为提高支持向量机在机械故障诊断测试中的分类正确率,将模拟退火算法与支持向量机相结合,用模拟退火算法优化支持向量机核函数及其参数,再将故障特征输入支持向量机进行故障识别.诊断实例表明,该方法与传统支持向量机方法相比能得到较高的诊断精度.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于非负矩阵分解的面部表情识别研究

提出了一种基于非负矩阵分解与支持向量机相结合的面部表情识别方法。使用直方图均衡化等方法对人脸图像进行预处理,使用非负矩阵分解算法进行表情特征提取,采用支持向量机对面部表情进行分类。以Matlab为仿真工具,在日本女性人脸表情数据库上测试。取得了66.19％的识别率。     

基于脉内特征聚类的分选方法

为提高未知雷达辐射源的分选正确率并且保证分选时间,提出一种正弦差值傅里叶变换和第六维小波包特征提取的聚类分选方法。首先利用正弦插值变换将接收到的雷达到达时间序列变为连续信号,再通过快速傅里叶变换计算出信号最大频率成分的脉冲重复频率（ PRF）值,进行粗分选,然后对信号进行第3层小波包分解,得到信号脉内特征Wpt6,把PRF和Wpt6组成的输入特征向量进行支持向量机（ SVM）聚类分选,对未知雷达辐射源信号重新归类,提高分选准确率。仿真实验结果验证了该方法的有效性,与传统方法相比准确率更高。     

基于LDA模型的WEB文本分类

提出了基于LDA（Latent Dirichlet Allocation）主题模型的Web文本分类方法,利用MCMC方法中的Gibbs抽样获得模型参数从而获取词汇的概率分布,使隐藏于WEB文本内的不同主题与WEB文本字词建立关系。将LDA算法应用于WEB文本分类识别领域,在实验中与k均值聚类和贝叶斯网络方法进行了对比,其结果表明LDA与其他同类算法相比具有一定的优势。     

基于粗糙集和支持向量机的采空区煤自燃火灾预报

考虑到采用标志气体分析法对煤自燃火灾预报时特征维数较高、特征之间存在冗余且样本有限,文中提出基于粗糙集和支持向量机的采空区煤自燃火灾预报方法。该方法首先采用粗糙集对原始样本去除冗余和特征维数约简得到多组候选特征子集,然后对获得的多组候选特征子集利用支持向量机进行分类和性能评价,选取分类性能最好的一组特征子集用于设计支持向量机分类器,并对采空区遗煤自燃状态进行预测分析。实验选择大同矿区煤样自然发火实验数据,与4种典型分类预测算法的进行比较分析,实验结果表明文中算法预测准确率更高,训练速度更快。粗糙集为煤自燃火灾预报中标志气体选择提供了一个理论依据和新的思路,而支持向量机则提高了煤自燃火灾预测的精度。     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

雷达近场成像中SVM的目标识别方法

雷达近场成像中,在精确定位的基础上,为解决目标形状识别问题,提出了利用支持向量机（SVM）预测目标信息的方法.根据时域算法——后向投影（BP）算法和频域算法——频率波数域（F-K）偏移算法得到的场强值作为SVM的特征数据,并利用时域有限差分法（FDTD）进行仿真.仿真结果表明,基于BP算法的SVM识别方法具有特征数据提取时间长、SVM预测时间短、多目标时目标信息全和虚警较多等特征,基于F-K算法的SVM识别方法具有特征数据提取时间非常短、SVM预测时间非常短、多目标时目标漏检的特征;两者都能较好地识别目标的形状,且前者的识别能力高于后者,而后者更适合实时成像.