贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法

针对当前软件老化的检测、分析和软件再生的不确定性问题,提出了一种基于贝叶斯证据框架的最小二乘支持向量机(LS-SVM)的软件老化检测方法,即:使用最小二乘支持向量机分类器进行数据分类,以此解决数据采集时出现的小样本、高纬度,非线性、局部最小值等问题;通过贝叶斯证据框架来优化LS-SVM的超参数,从而提高分类器的学习精度和泛化能力.实验结果表明,在状态清晰区间,软件老化的概率均在0.7至0.9之间,而高维模型检测出的软件老化的概率为0或1.如果从概率粒度层来描述软件老化,则软件再生的时间点选取效率更高,根据概率值的变化可进一步解析软件老化的不确定性.实验结果及分析显示,概率粒度所描述的软件健康状态更符合软件老化的客观状况.     

证据框架与自由能框架

在指出证据框架和自由能最小化方法等贝叶斯推理方法的局限性的前提下，通过对比证据框架的方法，提出了自由能框架的概念，将通常难以求解的自由能最小化过程分解成参数自由能最小化，超参数自由能最小化，模型参数自由能最小化等层次，在每个层次上调节参数，超参参数和模型参数，使其后验分布与其真实分布之间的Kullback-Leibler矩最小，以使以变自由能逼近真实自由能，同时，保持其他层次上的参数，超参数和模型参数固定不变，以简化贝叶斯前馈神经网络的参数估计，应用自由能框架，对通常较难求解的贝叶斯支持向量回归机器的参数与超参数进行估计，推导出相应的计算公式，并验证了该方法的可行性与有效性。     

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。     

贝叶斯框架下的人的检测

利用低分辨率条件下比较易于识别的特征，即衣服的颜色、肤色和位置信息来检测人，首先把待识别的目标分成几个部分，包括衣服和皮肤，再分别利用线性模型为衣服颜色和肤色建立概率模型，由于人体属于非刚性物体，不适用于一般的概率模型，所以利用支持向量机，通过训练，为几部分的相对位置建立了概率模型，最后通过贝叶斯方法建立了框架，该框架综合了颜色和位置的概率模型，实验证明，通过找到最大概率，就能够较准确地检测到人在图像中所处的位置。     

基于一类SVM的贝叶斯分类算法

提出一种基于一类支持向量机(one-class SVM)的贝叶斯分类算法,该算法用一类SVM对类条件概率密度进行估计以构造贝叶斯分类器. 证明采用高斯核的一类SVM,其解可以归一化为密度函数,并把该密度函数看作类条件概率密度的平滑估计,构造贝叶斯分类器. 实际数据集上的实验结果表明,提出的分类算法测试准确率高于简单贝叶斯分类器与贝叶斯网络分类器,不低于传统二类SVM;比传统二类SVM需要计算的核矩阵规模更小,训练时间更短.     

基于SVM的机器人工件识别

支持向量机(SVM)是一种崭新的机器学习方法,建立在结构风险最小化原理基础上,寻找一个最优分类超平面,引进核函数将低维空间向量映射到高维空间.此方法能解决小样本、非线性及高维模式识别中的问题.鉴于此,将SVM应用于多传感器信息融合,并针对多类型目标识别问题,采用“oneagainstall”方法构造多元分类器.实验中比较了采用不同核函数构造的SVM的分类效果,结果表明SVM具有较高的识别率,其中三项多项式核函数构造的SVM的识别率最高,可达到93.2%.另外,还比较了单传感器和多传感器融合的识别结果,单传感器的识别率只有63.7%,大大低于多传感器融合的识别率.     

基于SVM的句子组块识别

阐述了基于统计的SVM（支持向量机）模型的汉语句子组块识别. SVM模型使用已进行组块标注的语料,通过多种特征参数选择和多分类划分,对数据进行统计学习得到训练模型后实现. 给出模型的算法和识别结果,分析了统计模型的特点.     

基于一类SVM贝叶斯算法的DS-UWB系统多用户检测研究

在多径多址条件下,用户自身的前后符号之间会产生码间干扰,同时各用户之间会产生多址干扰,从而给用户信号的正确检测带来极大困难。提出了一种基于一类支持向量机贝叶斯分类器的DS-UWB系统多用户检测算法,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贝叶斯分类器。仿真实验表明,在UWB信道环境下本算法的误码率性能明显优于最小均方误差（MMSE）检测和解相关检测等线性检测算法。相比传统SVM算法,本算法所需的核运算量和存储空间要小得多,有效地降低了运算负载,抑制了多址干扰。     

基于SVM的新生儿疼痛表情识别

近十年来新生儿疼痛引起医护人员的广泛关注.由于新生儿不能自述疼痛的感受,疼痛评估成为新生儿科学中最具挑战性的一个难题.新生儿"疼痛面容"(蹙眉、挤眼、鼻唇沟加深、张口)被认为是最可靠的疼痛指标,且持续时间最长,因而被国际上常用的新生儿疼痛评估工具作为评估指标.然而,这些疼痛评估工具往往受到临床医护人员主观因素的影响.文中旨在解决上述问题,提出利用支持向量机(SVM)技术对新生儿疼痛与非疼痛面部表情进行分类识别.对210幅照片的表情图像进行了研究,比较了线性核函数SVM、多项式核函数SVM(d=2,3,4)以及径向基函数SVM等5种不同分类器的性能.实验结果表明,阶数d=3的多项式核函数SVM分类器的性能最佳,对疼痛和非疼痛表情分类的识别率达到93.33%,对疼痛与安静表情的分类识别率为94.17%,对疼痛与哭表情的分类识别率为83.13%,初步具备了在新生儿疼痛评估中的潜在应用价值.     

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     

基于支持向量机的掌纹识别研究

统计学习理论(SLT)着重研究在小样本情况下的统计规律及学习方法性质．基于该理论,Vapnik等人提出了支持向量机(SVM)这一通用学习方法．SVM在最近几年取得了很好的发展,并在模式识别领域表现出优良的性能．本文尝试利用SVM进行掌纹识别．在对一副训练图像进行预处理之后,对其进行傅立叶变换以得到相应特征向量,然后用支持向量机对特征向量进行训练,最后用训练好的支持向量机进行掌纹识别．文中对1Vr方法和1V1方法的实验结果进行了对比和分析．实验结果显示,支持向量机在掌纹识别过程中表现出较好的性能,并且得到了较高的识别率．     

基于MFCC和SVM的说话人性别识别

建立了普通话语音性别数据库,提出联合梅尔频率频谱系数(Mel-frequency CepstrumCoefficients,MFCC)的特征提取方法和支持向量机(Support Vector Machine,SVM)的分类方法进行说话人性别识别,并与其它分类方法进行比较,实验结果表明该方法的说话人性别识别准确率达到98.7%,明显优于其它分类器。     

基于逆云模型的支持向量机多类分类方法

针对支持向量机在进行多类识别中存在的拒分问题,结合能够描述客观世界不确定性的模糊理论,提出利用逆云模型描述样本对各类逆云隶属度的多类分类方法.实验表明,该方法能够有效地消除样本拒分现象,提高识别率.     

基于SVM和CRF的双层模型中文机构名识别

提出了一种基于支持向量机(SVM)和条件随机场(CRF)的双层模型进行中文机构名识别的方法．第一层模型采用CRF识别简单机构名,并将识别结果传至第二层辅助下一步的识别;第二层采用基于驱动的方法,将SVM和CRF结合进行复杂机构名的识别;最后将两层的识别结果合并,并通过一个后续处理对置信度较低的识别结果进行修正．大规模真实语料的开放测试表明,精确率达到94.83 %,召回率达到95.02%,证明了该方法的有效性．     

基于矩特征的目标识别

对图像中的目标进行自动识别,既节省了人力,又提高了信息的时效,是模式识别发展的一个重要方向.文中用矩不变量表示目标的形状特征,并对其在离散时不具有尺寸不变性进行改进,构造了新的矩不变量.根据提取的矩特征设计了支持向量机分类器,用于对不同类型的目标进行分类识别,利用VC＋＋和Libsvm工具开发了自动识别软件.     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.