多分类器融合的人脸识别与身份认证

人脸识别是生物特征识别技术中一个活跃的研究领域,取得了很多实践成果,但是单一分类器一般不能取得满意的识别率与身份认证效果。本文采用贝叶斯决策理论分析了常见的积、和、中值以及投票多分类器融合方法,并根据实际的选举情形,对投票法进行了2种改进。然后对协同人脸识别、特征脸法以及复合方法等人脸识别分类器进行决策层的融合,对ORL库中人脸识别仿真实验表明文中的多分类器融合的人脸识别方法具有较好的分类性能,对污损、低分辨率人脸图像具有可靠的识别率、鲁棒性强,而且应用于人脸身份认证中取得了较好的认证效果。     

基于熵特征和支持向量机的调制识别方法

通信信号调制识别在非合作通信领域是一项重要的研究课题。针对当前算法计算量大,能识别的调制类型少的特点,提出了一种基于熵特征和支持向量机（support vector machine, SVM）的调制识别新方法。该算法通过提取接收信号的多维熵特征,作为调制识别的特征参数,并利用基于二叉树的SVM作为分类器,对接收信号进行调制识别。除了信号的信噪比,该算法不需要信号带宽和载频等其他先验知识。理论分析与计算机仿真结果表明,该方法具有很高的识别率,计算量小,具有很好的应用价值。     

一种基于QBC的SVM主动学习算法

针对支持向量机(souport vector machine,SVM)训练学习过程中样本分布不均衡、难以获得大量带有类标注样本的问题,提出一种基于委员会投票选择(query by committee,QBC)的SVM主动学习算法QBC-ASVM,将改进的QBC主动学习方法与加权SVM方法有机地结合应用于SVM训练学习中,通过改进的QBC主动学习,主动选择那些对当前SVM分类器最有价值的样本进行标注,在SVM主动学习中应用改进的加权SVM,减少了样本分布不均衡对SVM主动学习性能的影响,实验结果表明在保证不影响分类精度的情况下,所提出的算法需要标记的样本数量大大少于随机采样法需要标记的样本数量,降低了学习的样本标记代价,提高了SVM泛化性能而且训练速度同样有所提高。     

一种新的混合分类器及其人脸识别的应用研究

随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义.     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

基于AEPSO-SVM算法的雷达HRRP目标识别

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。     

基于K-均值的SVC的雷达辐射源信号识别

无监督学习是解决未知雷达辐射源信号识别的有效方法。Support Vector Clustering(SVC)是一种基于支持向量机的无监督聚类方法。SVC不仅时间复杂度高,而且在处理分布复杂、不均匀样本时,识别率较低。结合K-均值与SVC的优点,提出一种基于K-均值的SVC无监督聚类方法。此方法用K-均值聚类法对数据样本作初步的线性划分,将原数据样本划分成若干子样本。再将这些子样本分别映射到高维特征空间,用SVC方法去处理非线性问题。由K-均值聚类法将二次规划问题分解,大大减少SVC的计算量,降低时间消耗。相对于原数据样本,子样本的分布较为简单、均匀,容易找到更为合适的SVC参数值。对雷达辐射源信号进行聚类分析的实验结果表明,此方法处理速度较快,识别率较高。     

一种噪声背景下的雷达目标识别方法

雷达高分辨距离像(high resolution range profile, HRRP)包含了丰富的目标结构信息,在雷达目标识别领域有良好的应用前景。针对传统的HRRP识别方法对噪声环境适应性差的问题,选用具有时移不变性的紧支撑小波自相关作为支持向量机(support vector machine, SVM)分类器的核函数,研究了幂次变换(power transform, PT)参数的选取对识别效果的影响,给出了参数选取经验公式,结合信噪比实时估算自适应地进行数据预处理以增强算法的抗噪性能。仿真表明,所提出的方法与传统的高斯径向基核SVM相比,提高了目标识别率,并且具有较好的噪声稳健性。     

一种基于视频图像的挖掘机工作状态识别方法

为了实现违法用地现象的实时监测,对土地间的挖掘机等施工机械的工作状态识别是非常重要的.实际场景下,因随机噪声和光照变化的影响,给挖掘机工作状态识别带来极大的挑战.本文提出一种基于视频图像的挖掘机工作状态识别方法,首先,对同一品牌挖掘机工作装置的各种姿态建立混合local binary features (LBF)形状回归模型并进行离线训练;其次,利用上述模型预测输入视频帧中挖掘机工作装置的形状信息,构建挖掘机的工作状态特征描述子;最后,利用support vector machine (SVM)分类器自动判别挖掘机的工作状态—-工作状态或非工作状态.实验结果表明,该方法很好地克服了多姿态导致形状变化的影响,对挖掘机工作状态识别准确率达到了93.53%.     

基于Bagging-SVM动态集成的多极化HRRP识别

针对多极化高分辨率一维距离像（high range resolution profile, HRRP）在目标识别过程中存在计算量和数据量大、识别算法复杂的问题,提出一种基于Bagging-SVM动态集成的目标识别方法。该方法首先提取多极化HRRP平移不变特征向量,然后运用Bagging方法结合基于动态互信息的特征选择方法生成基分类器,最后引入基分类器差异度进行选择性集成。实验验证该方法在缩减数据规模和计算量的同时,能有效利用多极化特征信息,得到较高的分类正确率,并且松弛了HRRP目标的姿态敏感性。     

KM-SVM法的SAR图像无监督变化检测

针对合成孔径雷达（synthetic aperture radar, SAR）图像变化检测获得有标记样本的数量十分有限且困难,传统方法检测率低等问题,提出了一种基于原始特征空间的K-均值和支持向量机(K--means and support vector machine, KM SVM)法SAR图像无监督变化检测。首先,不需要任何先验信息的条件下,利用K- means聚类方法获取差异图像的分类阈值;其次,利用阈值,引入偏移量,自动选取伪训练集和无标签集,并用伪训练集定义SVM的初始决策超平面;最后,用基于统计特征的半监督学习算法和支持向量机相结合对图像进行变化类与非变化类的分类。实验结果表明：该算法优于基于混合高斯分布模型的KI法和基于广义高斯分布模型的KI法,能保持较好的分类、泛化能力和较稳定的检测精度。这些结果表明了文中方法的有效性。     

一种基于主分量特征的快速SAR目标识别方法

实时性和识别率是评估SAR图像目标识别系统性能的两个主要指标.分析了影响这两个指标的关键因素,并以此为基础,提出了一种快速的SAR图像目标识别方法.该方法采用基于Hebb学习规则的自组织神经网络提取主分量特征,使用多层感知器神经网络(MLP NN)进行目标分类.实验对比分析表明,在识别率较高的同时,该方法具有内存需求少、运行速度快的特点,能用于实时处理.     

Multiclassification algorithm and its realization based on least square support vector machine algorithm

1.INTRODUCTION Thedatabasedmachinelearningasastatisticlearning methodplaysanimportantpartinmodernintelligent technology.Basedontheresearchofstatisticlearning theory,VapnikVNpointedouttheproblemofexpe riencedriskminimization,andpresentedthenotionof minimizingstructurerisk.Upontheabovetheory,herecomesthesupportvectormachine(SVM)algo rithm[1].Itisespeciallyaimedatfinitesamples,and wecanfinallygettheoptimalsolutionsfortheexist ed informationbutnotforthesituationoftraditional statistictheory…     

基于Retinex和小波分解的手背静脉识别方法

为了解决手背静脉识别系统中图像的对比度较低且静脉结构简单的问题,首先提出一种基于自适应平滑滤波器的Retinex增强算法,在增强静脉结构的同时均衡了图像灰度;然后分析了静脉图像的小波分解子带图像和灰度积分投影,指出小波低频子带图像和垂直方向的灰度积分投影比较适合作为手背静脉识别的特征;进一步提取了基于逼近系数的小波不变矩特征,并融合形成了90维的手背静脉特征向量;最后建立SVM 分类器并利用手背静脉图像库进行实验,结果证明了该算法的识别优越性.     

基于径向基函数网络人脸识别的研究

用人脸信息来识别和辨认一个人类个体,是计算机视觉和模式识别领域中的一个研究热点。本文提出了一种基于径向基函数网络(RBFN)识别人脸的方法,使用主分量分析(PCA)技术降低样本维数,并用生成图像(SI)技术改变人脸的姿态,以增加学习样本数。用标准人脸库ORL进行实验,表明人脸识别效果有大幅度的提高。     

基于PCA和SVM的控制图失控模式智能识别方法

控制图是在线质量控制的重要工具,而利用控制图进行异常过程模式识别却是个困难问题。该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。首先,将控制图作为信息图用于趋势模式数据集提取;然后,通过对数据集的高维特征进行线性组合并向低维空间投影的方法,降低了分类器的输入维数,提高了各维特征的敏感性;最后,为了克服神经网络方法速度慢和泛化能力弱的缺陷,利用SVM小样本学习能力,有针对性地设计SVM多分类器进行模式识别。用一个含有6种趋势的20维特征仿真数据集对该方法进行检验,通过主元分析后,数据集的特征被降到了3维并保留了88%的分类信息。进一步的识别结果表明,该方法相对现有的BP、SLFM识别方法达到更高的识别率和识别速度,适合质量控制图在线实时识别。     

基于SVM与Mean-Shift的非刚性目标跟踪框架

针对动态背景下,序列图像中的非刚性目标跟踪问题,提出了一种基于支持向量机(support vector machine,SVM)和均值移动(Mean-Shift)的序列图像目标跟踪框架。在初始图像中选择跟踪目标所处的矩形框,将目标框周围一定范围的像素作为背景。以目标和背景数据训练SVM二值分类器。运用得到的分类器对下一帧图像相同区域内的像素分类,得到二值的置信图(confidence map),在置信图范围内运用Mean-Shift算法求得当前目标位置,移动目标框和背景框的中心到目标位置,以10%的比例缩放目标框并选择最优者以适应目标尺度变化。以此时的目标像素和背景像素训练新的SVM分类器,进行下一幅图像的跟踪,直至完成整个序列图像跟踪任务。实验证明,该方法适用于动态背景及非刚性目标的跟踪,且实时性较好。     

基于四阶累积量与核Fisher判别分析的MPSK信号分类方法

提出了一种基于高阶累积量和核Fisher判别分析的MPSK信号自动调制识别方法。该算法选取信号的四阶累积量作为分类特征,利用核函数的思想把特征向量映射到一个高维空间,并在高维空间中采用线性Fisher判别分析实现了数字信号的分类。选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳健的多类核Fisher判别分析分类器。计算仿真结果表明,基于核Fisher判别分析的分类器具有良好的性能,它与支持向量机的分类精度相当,且训练时间较短。