基于进化信息和支持向量机的酶蛋白亚家族预测

提出一种使用PSI—BLAST得到的位置特异性打分矩阵中蕴含的进化信息作为酶蛋白的特征表示,结合支持向量机方法对酶蛋白的亚家族类别进行预测的方法．对包含16类亚家族的2640条氧化还原酶数据集进行jacknife测试,总的预测精度达到92．12％,高于目前的任何其他预测方法．实验结果表明,进化信息是酶蛋白序列的有效表示,将其与支持向量机结合能够实现对酶蛋白亚家族的高精度预测．     

一种新的浮选泡沫图像识别方法

针对灰度共生矩阵法提取的浮选泡沫图像纹理特征相互混叠,不利于聚类和识别的问题,提出一种基于正交保局投影和支持向量机的浮选泡沫图像识别新方法.该方法利用正交保局投影法对原始纹理特征参数进行变换处理,有效改变了不同类别特征参数的聚集程度,并利用支持向量机进行分类.实验结果表明,所提方法的正确识别率能够达到93.5%,与基于最近邻分类器的主元分析法相比,其性能更好.     

用离散增量的方法识别酶蛋白

给出一条蛋白质序列,它是不是酶,如果是,那么属于哪个家族类。本文从蛋白质一级序列出发,提取氨基酸紧邻关联用于离散增量方法的参数,对上述问题进行了识别研究。基于整体分类策略,对酶与非酶的识别精度达到了82.6%,对于家族类的识别精度达到了50.72%。     

基于支持向量机的人脸识别身份验证技术研究

利用K-L变换首先对人脸图像进行特征参数提取,再利用支持向量机进行识别。由于支持向量机的推广性取决于核函数参数与误差惩罚因子的选择,为此采用思维进化算法对其参数进行优化选择,提出支持向量机与思维进化算法相结合的新型算法进行分类识别,算法解决了支持向量机参数选取的难题,利用ORL人脸库进行仿真实验,结果表明,基于改进的支持向量机的人脸识别技术识别效率高、方法有效。     

用支持向量机检测乳腺X线影像中的结构扭曲

利用频域小波变换对乳腺X线影像中结构扭曲的图像进行小波分解,从得到的分解图像中计算了12个与纹理有关的特征参数.用支持向量机分类算法对样本集2组实验对象(乳腺结构扭曲、正常样本各19个)进行乳腺结构扭曲的识别分类;通过优化支持向量机参数条件,得到最好的分类结果.分类结果表明:本研究确定的12个纹理特征参数组合,用优化的支持向量机分类器检测和识别乳腺结构扭曲,分类正确率为92.1%、灵敏度89.5%和特异度94.7%.     

以位置特异性得分矩阵和基因本体为特征的蛋白质亚细胞定位预测

提出一种蛋白质亚细胞定位预测方法.该方法以位置特异性得分矩阵和基因本体抽取对应特征,结合支持向量机构建多标签分类模型.充分考虑了蛋白质进化信息对其亚细胞定位的影响,并基于文本分类中涉及到的卡方检验的对数变换思想,构建基因本体注释信息的加权系数对其进行加权处理,从而提高预测的准确率.采用支持向量机作为基分类器构建多标签分类模型,进一步提高预测的准确率.通过在目前该领域两个常用的真实数据集上进行的一系列测试结果表明,该方法能有效提高蛋白质亚细胞定位预测的准确率.     

基于总类内分布的松弛约束双支持向量机

针对数据分类问题,考虑到实际应用中噪声数据对分类结果的影响,提出一种新的基于总类内分布的松弛约束双支持向量机模型;该双支持向量机算法从约束不等式集出发,通过模糊集的思想引入一对约束参数项来松弛约束条件,提出松弛约束的隶属度函数,以有效减少噪声数据对分类结果的影响;同时将样本总的类内分布信息引入到双支持向量机模型的构造中,提出总类内离散度矩阵正定的条件。结果表明,与4个常见的双支持向量机相比,提出的双支持向量机模型不仅有较好的减噪及分类性能,而且具有较强的鲁棒性。     

基于特征参数的语音情感识别

语音情感识别是人工智能领域的研究热点.对不同的特征参数提取直接影响了语音情感识别的效果.通过提取基频、共振峰和Mel频率倒谱系数三个能够充分反映语音情感的特征,采取支持向量机的方法对样本进行分类学习.实验结果表明这三种特征参数能够有效识别语音情感.     

基于灰度共生矩阵和支持向量机的茶叶病害诊断研究

针对茶叶病害由于致病机理不同导致病斑纹理不同的特点,通过灰度共生矩阵来构造茶叶病害的纹理特征和将支持向量机应用到茶叶病害的识别方法;由于支持向量机是一个二分器,提出了投票最大策略建立SVM多分类识别算法。首先对茶叶病害的图像进行预处理以改善图像质量,然后利用灰度共生矩阵构造和提取了5种纹理特征,最后建立支持向量机多分类识别器并对茶叶病害进行识别。实验结果表明:利用灰度共生矩阵构造的纹理特征对茶叶病害的识别效果好;不同核函数的识别性能不同,径向基核函数比较适合茶叶病害的识别,识别率高达86.67%;不同样本数的识别性能不同,支持向量机在解决小样本的病害识别问题上有很好的识别能力,最低识别率达到70%,稳定性好。     

奇异值分解在电缆局部放电信号模式识别中的应用

针对局部放电在线检测中的局部放电信号模式识别,在对局部放电信号进行去噪预处理的基础上,对去噪后的局部放电信号进行小波包分解,利用小波包系数构建小波包系数矩阵;然后,对小波包系数矩阵进行奇异值分解,定义奇异值能量百分比作为局部放电信号的特征向量,并利用M-ary算法将支持向量机二分类扩展到多分类,使用粒子群算法对支持向量机参数进行优化;最后,将特征向量作为输入,使用支持向量机对4种放电信号进行识别,并与BP神经网络的识别效果进行对比.结果表明:利用奇异值能量百分比构建的放电信号特征向量能够很好反映原始信号的特征;基于支持向量机能够有效对放电信号进行识别,平均识别率达到95%,随着分解尺度增大,4种放电信号的平均识别率增大,但增大的幅度减小;支持向量机和BP神经网络均能够很好识别4种放电信号,且支持向量机相比BP神经网络,具有更好的识别效果.     

基于图片DCT域共生矩阵的图像拼接盲检测

通过对图像拼接技术的分析,提出了一种基于灰度共生矩阵的拼接图像检测算法.该算法把离散余弦变换(DCT)与灰度共生矩阵结合,计算图片DCT域上的灰度共生矩阵,将共生矩阵作为特征向量,采用特征提取 分类方法,利用支持向量机（SVM）分类器进行分类预测.实验结果表明,该算法在哥伦比亚大学灰度图片库和中国科学院彩色图片库上达到了91.2%和98.5%的最高检测准确率.     

基于支持向量机的抗噪语音识别

阐述了支持向量机的分类机理,采用改进的MFCC语音特征参数,用基于不同核函数的支持向量机(SVM)作为语识别网络,对SVM多类分类问题采用"一对一"分类算法,实现了一个孤立词非特定人中等词汇量的抗噪语音识别系统。通过实验,得到了不同核函数下的识别结果;分析了核参数和误差惩罚参数对SVM推广能力的影响,并将实验结果同基于RBF神经网络的识别结果进行了比较。     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.     

基于动柔度矩阵和支持向量机的井架损伤识别技术

动柔度矩阵是结构损伤检测的有力工具.支持向量机是在统计学习理论上发展出的一种学习机器,其针对小样本分类识别性能优越.提出了一套基于支持向量机和动柔度矩阵的损伤识别技术.对JJ160/41-K型石油井架模型进行了损伤实验研究,利用实验数据构建了分类识别支持向量机,并以数值仿真计算,验证了该技术的有效性.     

基于SVM的四类运动想象脑电信号分类方法研究

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCI Competition 2005”中的Dataset IIIa为例,先对C3/C4导采集的四类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。     

基于一类SVM概率密度估计的多分类贝叶斯算法研究

为降低训练分类器的运算复杂度，并解决支持向量机（SVM）对多类分类问题没有特别有效解决方法的问 题。提出了一种基于一类支持向量机的多分类贝叶斯算法，证明了基于径向基核函数的一类SVM的分类函数归 一化为密度函数，并将所得的概率密度函数用于构造二分类及多分类贝叶斯分类器。仿真实验将提出的多分类贝 叶斯算法应用于多类通信信号调制识别，结果表明：该算法的分类准确率不低于传统SVM多分类器，而在多类属、 每类训练样本数目较大的情况下训练所需的运算量和存储量仅是传统SVM多分类算法的0.5%大大减小了核 矩阵规模和     

基于支持向量机的结构损伤识别研究

支持向量机(SVM)是一种针对分类和回归问题的统计学习理论,能有效地解决模式识别中的分类问题.该文提出了基于支持向量机的结构损伤识别方法:以归一的频率变化比(NFCR)和归一的损伤指标(NDSI)作为特征参数,训练支持向量机进行损伤识别.用一个12层钢混框架有限元数值模型进行验证,同时分析了影响SVM模型性能的主要因素.结果表明,本文提出的方法具有较高的损伤识别能力,而核参数的选择对识别精度有较大影响.     

基于在线支持向量机的电子鼻模式识别算法

针对现有电子鼻系统训练误差大、运行速度慢等特点,提出了一种新的基于在线支持向量机(Online-SVM)的电子鼻系统模式识别方法。该方法使用CH4气体与传感器阵列响应的值作为输入数据,经在线支持向量机算法进行模式识别,对CH4气体的浓度进行预测和分类。与期望结果对比,新方法的平均误差降低为5.3%,运行时间降为0.1994s,表明基于在线支持向量机的电子鼻系统模式识别方法能有效提高电子鼻系统识别的精度和速度。     

运用EO-1 Hyperion数据和单类支持向量机方法提取岩性信息

将扩展的单类支持向量机方法运用到高光谱岩性识别中, 并分析和评价该方法的性能。利用单类支持向量机分别提取各个感兴趣的岩性类别, 对于被识别为多个岩性类别的像元, 根据该像元与每个单类支持向量机所确定的分类超平面的距离来确定属于哪一类别, 这样, 利用扩展的单类支持向量机来可提取多个感兴趣的岩性类别。将该方法运用到新疆准噶尔地区的EO-1 Hyperion高光谱数据岩性分类中, 并与传统的光谱角制图方法进行比较。结果表明, 扩展的单类支持向量机方法的岩性分类精度显著高于光谱角制图方法, 是一种新的可用于高光谱数据的岩性分类方法。     

基于二叉树支持向量机的小麦碰撞声分类研究

为了实现小麦颗粒的自动分类,采用二叉树和支持向量机相结合方法对小麦碰撞声进行识别分类.首先从时域和频域对小麦碰撞声信号进行分析和处理,提取信号特征,然后利用二叉树支持向量机分类器进行分类,实验结果表明,对小麦完好粒、虫害粒、霉变粒和发芽粒4类麦粒的识别均达到84.0%以上.该项研究具有较强的实用价值,为小麦的自动识别分类提供了一种可行方法.