基于SVM的分类方法综述

本文介绍了文本分类的起源,常用的几类文本分类方法及基于SVM(Support Vector Machines)文本分类的基本原理和方法。并在分析文本分类的特点的基础上比较了在文本分类中应用SVM的优势及存在的问题。最后总结出了SVM在文本分类中应用的两个主要研究方向。     

基于SVM的分类预测

简单介绍了SVM的理论背景，详细介绍了基于SVM的分类预测方法。给出了基于SVM的分类预测技术的性能测试结果。指出该分类预测技术可将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性辨别函数来实现原空间中非线性辨别函数。     

基于SVM的车型分类方法研究

随着图像处理和人工智能的发展,智能交通系统将会广泛的应用于现实生活中,而对智能交通系统中车型的自动分类方法将越来越繁多。本文结合支持向量机方法,提出一种基于图像处理的自动车型分类系统。并通过matlab实验平台设计了分类器,对所提供的车型图像实现自动分类,取得了较为满意的实验结果。     

多类SVM分类算法的研究

支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题.文中分析了SVM基础理论并总结了目前存在的基于支持向量机的主要分类方法,包括"一对多"方法、"一对一"方法、决策有向无环图方法、基于二又树的多类分类方法和其它方法,并对各自的优缺点及性能做了比较.     

结合SVM与Bayesian为不带类别标记的兼类文本分类

针对兼类文本分类的问题,本文提出了一个对不带任何类别标记的文本进行准确分类的方法。首先利用SVM的1-a-1兼类文本分类算法为不带类别标记的文本进行初始分类,不能准确分类的处于类属模糊区的文本让训练好的NBC分类器再分类。实验结果表明,可得到较准确的分类结果。     

基于二叉树的SVM多类分类算法研究

支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势.支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.介绍了基于二叉树的SVM多类分类算法,通过对其原理和实现方法的分析,对这些方法的优缺点进行了归纳和总结,给出了进一步的研究方向.     

基于支持向量机的文本分类方法研究

文本分类是信息检索与数据挖掘领域的研究热点与核心技术,近年来得到了广泛的关注和快速的发展.其中基于支持向量机的文本分类方法的研究是信息检索领域的一个重要分支.本文首先讨论了该领域的研究状况,接着阐述并分析了在该领域中的主要研究方法以及实例, 最后对该领域研究中存在的问题和方向进行了分析.     

基于二叉树SVM的指纹分类算法

对预处理后的指纹图像进行分类相关算法研究，提出一种无需迭代的指纹参考点定位方法，该算法具有简单、快速、效果好的优点；基于指纹方向场的半区域特征提取方法，采用二叉树结构的支持向量机多分类策略解决指纹的多分类问题．实验表明，分类精度良好．     

一种基于正例的SVM分类方法

文本分类属于有指导的机器学习,而构造一个按兴趣分类的分类器,需要进行大量的预处理工作收集正负训练样例,但负样例的收集难度很大.为此,提出了一个只有正例并基于SVM的分类学习模型.实验表明,该学习模型满足了文本分类对于分类精度和速度的要求.     

基于SVM的Web文本分类

支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上发展起来的一种新的机器学习方法。它是在有限样本的基础上,在训练复杂度和学习能力之间寻求折中,以期望获得较好的推广能力。支持向量机具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点,已经成为目前国际、国内研究的热点。国际上己经有一很多关于SVM的研究报道,SVM在很多方面都有成功应用实例,如粒子鉴定、脸谱识别、文本分类、生物信息、商用数据库。本文主要探讨在Web文本的分类。     

基于Seeded-Kmeans和SVM的分类算法

支持向量机（Support vector machines）在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法（SK-SVM）。用Seeded-Kmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。     

一种基于RS和SVM的目标对象的性能分类方法

提出了一种基于粗糙集(RS)和支持向量机(SVM)的目标对象的性能分类方法,该方法将RS和SVM结合在一起对性能进行分类．在分类之前,首先利用RS对属性进行约简,将约简后的属性作为输入端输入到SVM中进行训练,再用训练好的SVM对测试集进行测试．测试结果表明,该方法分类的精度比较高,速度比较快．     

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明：集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。     

基于支持向量机分类决策的行人导航零速修正方法

为了减小行人导航过程中的误差,提出基于支持向量机分类决策的零速反馈修正方法。根据行人足部运动特点,构建行人足部运动模型,利用支持向量机决策方法对足部运动样本数据进行训练和提取数据特征,建立超平面方程。通过超平面函数对行人足部运动数据进行分类和决策,辨别区分静止段和运动段。在零速静止段,对惯性导航解算的速度、角速度和方向进行修正,利用扩展卡尔曼滤波递推方法进行方向、速度和位置误差跟踪。进行了行人按既定路径的行走跟踪实验,结果表明,设计的行人导航系统能够使行人行走轨迹与设定路径完全吻合,多次测试数据最大误差小于2.5%,平均误差为1.94%。因此,基于支持向量机分类决策的行人导航零速修正方法能够准确地对行人轨迹进行跟踪和定位。     

基于高光谱图像的分类方法研究

随着高光谱图像技术的发展,高光谱图像在众多领域得到了广泛应用.高光谱图像分类是其应用领域的一个重要分支,其中高精度的分类算法则是实现准确分类的前提.高光谱图像分辨率高、波段数多、数据量大等特点给传统分类技术带来了巨大挑战.该文综述了基于高光谱图像的支持向量机分类法、人工神经元网络分类法、决策树分类法、最大似然分类法等监督分类方法以及K-均值聚类法和迭代自组织方法等非监督分类方法,并结合实际高光谱图像数据给出应用实例.基于不同应用需求,以上两类分类方法均能最大程度地挖掘高光谱图像的图谱信息,从而实现更加准确和精细的模式识别.     

基于DCT特征与SVM分类的人脸检测

一般的人脸检测在运行时间及检测率上都不能得到很好的保证.本文提出了基于离散余弦变换的支持向量机的人脸检测方法,利用离散余弦变化后的系数作为支持向量机的输入特征,实验表明该方法具有更好的检测效果.实验还表明,在采用离散余弦变换系数作为检测特征值时,检测准确率并不是随着所选取特征值个数的增加而提高.     

基于二叉树支持向量机多类分类算法的研究

基于二叉树的支持向量机多类分类算法虽然在目前现有的多类分类算法中总体性能较优,但是仍然存在分类精度和分类效率不高的问题。针对这些问题,提出了一种新的基于欧氏距离的二叉树支持向量机(Distance binary tree SVM,简称DBT SVM)多类分类算法,该算法综合地考虑了两类最近样本的欧式距离、类中心的欧氏距离对分类的影响,并且使最容易分离的类能优先分离出来。通过在UCI标准数据集上进行实验验证,结果表明该算法行之有效。