基于改进的支持向量机的手写体汉字识别

逐次超松弛迭代法算法是一种具体的SVM算法,在SOR算法中松弛因子采取固定数值时,在许多情况下收敛速度较慢。文中提出通过引入具有＂先验知识＂的神经网络,对逐次超松弛迭代法中的松弛因子进行控制,以提高逐次超松弛迭代法的收敛速度。实验结果表明,该模型实现的逐次超松弛迭代法能够提高其收敛速度。在手写体汉字的识别实验中,该改进算法可以减少支持向量机的训练时间。     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

基于PCA的参数化间隔双子支持向量机及其在手写体识别上的应用

改进了基于参数化间隔的双子支持向量机算法的预处理过程,在数据预处理阶段使用了主成分分析法对数据进行降维,提出了基于主成分分析的参数化间隔双子支持向量机,从而加快了整个算法的训练速度.公共数据库上的实验结果显示了该算法的优秀分类能力,对高维数据集的降维效果也比较成功.最后,将这种算法应用到手写体数字识别技术上,实验结果显示出该算法较好的分类性能.     

支持向量机研究

支持向量机是一种新型的机器学习方法，由于其出色的学习性能，该技术已成为国际机器学习领域新的研究热点，首先介绍了统计学习理论和以该理论为基础的支持向量机，然后对线性、非线性支持向量机进行了介绍，给出了一些常用的训练算法．     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析.并已成为国际机器学习界的研究热点.本文主要讨论其基本原理与SVM训练算法.     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析。并已成为国际机器学习界的研究热点。本文主要讨论其基本原理与SVM训练算法。     

基于改进支持向量机的车牌识别

针对目前市场上使用的监控设备在雾霾天气下辨识精度和速度不足等问题,采用小波低频融合原理对采集到的图像预处理,并基于改进支持向量机算法对预处理后的车牌图像提取特征值。实验结果表明,改进后的车牌识别方法与传统方法相比,提高了辨别速度,减小了误识率,为雾天视频监控系统的研发提供了新的思路。     

基于支持向量机的非特定人孤立数字语音识别

为了识别一组非特定人、不连续的数字语音信号,本文提出了一种基于支持向量机理论的语音信号识别算法.具体过程主要包括训练过程和识别过程.其中训练过程为:先使用预先建立起来的语音库对选定的支持向量机进行训练,得到一组与该语音信号相关的支持向量;在识别过程中,首先获取被测语音信号,并根据MFFC理论提取特征向量,然后使用训练后的支持向量机进行识别.此外,还提出使用短时区域能量谱的方法对语音信号进行端点检测.结果表明,与目前流行的隐马尔可夫算法比较,本文算法具有识别速度快、准确率高等优点.     

基于支持向量机的模式识别方法

介绍了由Vapnik等人提出的统计学习理论和由此发展的支持向量机，分析了其应用前景和研究方向，两个算例表明，在模式识别领域中，采用支持向量机这一新方法，具有其他传统方法不可比拟的优势。     

基于支持向量机的中文文本中地名识别

提出并实现了一种基于支持向量机(SVM)的中文文本中地名的自动识别方法.结合地名的特点,抽取单字本身、基于字的词性、是否在地名特征词表中及其上下文的信息作为向量的特性,并将其转化为二进制表示,在此基础上建立了训练集,并通过对多项式Kernel函数的测试,得到了用支持向量机进行地名识别的机器学习模型.实验表明,所建立的SVM地名识别模型是有效的,系统开式召回率和精确率分别达86.69% 和93.82%,F-值为90.12%.     

基于MHMM的脱机手写体字符识别

对隐马尔可夫模型(HMM)的训练方法及模型参数的选取进行了探讨,并将HMM理论用于脱机手写体识别中,建立了一种基于字符投影变换图像的边界链码特征的多重隐马尔可夫模型(MHMM).实验结果表明,该方法是可行的,且具有良好的兼容性和灵活性,可应用于手写体字符的自动识别中.     

基于Bayes决策的手写体数字识别

提出了一种用Bayes决策理论进行手写体数字识别的方法，对已知类别的样品提取特征建立数字样品库，对于任意的手写数字提取特征，根据数字样品库中已知样品的特征，运用基于最小错误概率的Bayes决策进行识别、实验证明Bayes决策理论用于手写体数字的识别有较好的效果，一般情况下识别率能达到96％以上．     

分支定界半监督SVM在油层识别中的应用

为解决油层识别中存在的获得有标记数据的代价过高,有标记数据稀少的问题,提出一种新的基于分支定界的半监督支持向量机(branch and bound for semi-supervised support vector machine,BBS3VM)的油层识别方法。此方法主要将半监督学习(semi-supervised learning, SSL)和分支定界的思想引入到支持向量机(support vector machine, SVM)分类算法中。通过半监督学习的思想,使用大量未标记的样本来改善学习性能,利用分支定界算法提高半监督支持向量机(semi-supervised support vector machine,S3VM)算法的分类精度,将此改进算法应用于测井数据挖掘中的油层识别。经过对某油田的实际测井资料进行处理,实验结果表明,半监督油层识别方法要优于传统的S3VM分类算法,识别率更高,分类效果更显著,与全监督的SVM算法相比较,得到相差不大的分类精度的同时,速度更快。     

基于多小波神经网络簇轮廓伸展的手写体数字识别

提出采用多小波神经网络簇伸展轮廓识别手写体数字的方法. 该方法的原理是： 跟踪待识别数字的轮廓, 对轮廓进行均衡化和重采样, 使其具有平移不变性和缩放不变性;采用多小波神经网络簇对轮廓壳进行伸展得到数级多分辨率和其平均值;将这些壳系数输入前馈神经网络簇, 以识别该手写体数字. 研究结果表明, 该方法可用于将轮廓壳进行多分辨率分解.     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

基于Gabor小波和支持向量机的人脸识别

提出一种将Gabor小波和支持向量机相结合的人脸识别算法。运用AdaBoost算法在复杂背景图像中快速准确地检测出人脸部分,进而用Gabor小波提取归一化人脸图像的特征。最后采用支持向量机进行人脸的分类识别。在ORL人脸库和CAS-PEAL-R1人脸库中对算法进行了测试,结果表明该算法识别率较高。     

基于支持向量机的通信信号调制识别方法研究

支持向量机(Support Vector Machines简称SVMs)是基于统计学习理论的一种新的模式识别技术,它不仅结构简单,而且技术性能尤其是泛化能力明显提高。介绍了支持向量机为理论基础的通信信号调制识别方法。计算机仿真结果证实此方法的可行性。