连续汉语普通话中基于SVM的说话人情感互相关性算法

提出了一种新的基于情感特征提取和借助支持向量机(SVM)分类器(classifier)的情感互相关性算法,并应用于语音情感识别.SVM分类器是利用情感语音信号中互相关性的特征提取进行分类的.利用这种方法对4种情感(愤怒、高兴、悲伤和中立)语音信号进行情感分类.借助SVM分类器的情感互相关性算法,可以大幅提高情感识别率,并且在识别愤怒情感时准确率甚至可以达到95.04%.     

支持向量机的多分类算法

系统介绍了统计学习理论(statistical learning theory,SLT)与支持向量机(support vector machine,SVM)的基本思想和算法,总结和比较了二分类和多分类两种情况下支持向量机的主要训练算法。与人工神经网络相比,分析了支持向量机算法的优点。归纳了支持向量机在诸如模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子领域中的应用。最后对SVM前景作了展望。     

基于支持向量机的小波域图像水印算法

提出了一种新的基于支持向量机(support vector machine,SVM)的小波域图像水印算法。其主要思想是先对图像进行小波分解,然后利用图像小波分解后的子图系数之间的关系训练SVM,并利用训练好的SVM在小波域嵌入水印和提取水印。实验结果表明,提出的方法对于一般的图像处理和JPEG压缩都具有很强的鲁棒性,与基于SVM的空间域上的算法相比性能更加优越。     

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。     

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direct LDA的幅度谱子空间雷达目标识别

针对高分辨距离像(HRRP)可分性低和维数高的问题,提出一种新的雷达自动目标识别(RATR)方法:dLDA& SVM.先采用直接线性判别分析在HRRP的幅度谱空间进行特征提取,然后在子空间中采用角域均值模板库训练one-against-a11支撑向量机(SVM)多类分类器进行目标识别.并设计了最短距离分类器与SVM分类器比较.基于外场实测数据的实验结果表明,与LDA幅度谱子空间法,幅度谱原空间法相比,dLDA & SVM可显著降低数据维数并提高识别性能.     

基于支持向量机的高分辨距离像分类法

支持向量机 (supportvectormachine ,SVM)是新一代学习机 ,具有良好的泛化性能。高分辨距离像(HRRP)分类是雷达复杂目标分类的重要方法。采用SVM作为分类器 ,研究了飞机目标HRRP分类法。设计了相应的预处理算法 ,并提出了结合VapnikChervonenkis维法和留一 (LOO)交叉验证法的参数选择算法。基于 5种飞机缩比模型的HRRP数据 ,比较了SVM分类法和最大相关分类法的性能 ,研究了噪声、训练用方位角采样数和训练样本集的大小对识别性能的影响。实验结果表明 ,SVM在HRRP分类上具有良好的应用前景。     

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。     

基于小波重构与SVM-BPNN的动态过程在线智能监控

为了提高动态过程运行状态在线监控效率,提出了基于小波重构与支持向量(support vector machine,SVM)-反向传播神经网络(back propagation neural network,BPNN)相结合的在线智能监控方法.首先,运用离散小波变换对动态过程实测数据流进行重构,并提取其形状特征.其次,利用训练好的小波重构特征的SVM、均值特征的BPNN及重构后形状特征的SVM,对"监控窗口"内实测数据流进行异常模式识别.最后,应用该方法对某精密轴加工过程进行在线智能监控.结果表明:所提模型识别精度高、训练耗时少,其整体性能明显优于小波重构的BPNN模型与基于统计和形状特征的多分类支持向量机(multi-class support vector machine,MSVM)模型,是一种更为有效的动态过程在线智能监控方法.     

训练支持向量机的低维Newton算法

支持向量机是基于统计学习理论的结构风险最小化原理提出来的一种新的学习算法,它把模式识别问题建模为一个简单约束的高维对偶二次规划问题.针对原二次规划的特点,线性分类问题可等价化为低维的无约束不可微优化问题,并可通过批处理训练来提高训练速度,降低存储空间复杂度.采用熵罚函数法处理不可微优化问题,对收敛性进行了验证,并提出了Newton型求解算法.数据仿真结果表明,该算法在低存储需求下可有效提高大数据量问题的训练学习速度.     

基于模糊核聚类的SVM多类分类方法

针对SVM在大类别模式分类中存在的问题,提出了一种基于模糊核聚类的SVM多类分类方法,并给出了一种高效的半模糊核聚类算法。该方法基于模糊核聚类方法生成模糊类,并采用树结构将多个SVM组合起来实现多类分类。模糊核聚类方法不但能够实现更为准确的聚类,而且能够挖掘模糊类的外围、不同模糊类之间的交叠情况等信息,利用这些信息能有效提高分类器的性能。实验表明,所提方法比传统方法具有更高的速度和精度。     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

基于高阶累积量和支撑矢量机的调制识别研究

提出一种基于高阶累积量和支撑矢量机的数字信号自动调制识别新方法 ,即将接收信号的四阶、六阶累积量作为分类特征向量 ,利用支持矢量机把分类特征向量映射到一个高维空间 ,并在高维空间中构造最优分类超平面以实现信号分类。这种方法对高斯噪声和星座图由于信号初始相位而引入的旋转具有良好的稳健性 ,并避免了神经网络中的过学习和局部极小点等缺陷。计算仿真结果表明 ,这种方法具有很高的分类性能和良好的稳健性     

基于支持向量信息测度排序的快速分类算法

如何降低支持向量机海量训练样本的数目,是提高算法速度的关键。提出利用支持向量分布的几何特征建立基于特征空间中支持向量信息测度的快速算法,对于训练样本首先进行基于支持向量信息测度升序排序处理,然后根据训练样本提供的信息测度选择合适的训练样本子空间,在该样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后针对附加残余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明,提出的算法具有较好的性能,特别是在训练样本庞大、支持向量数量较多的情况下,能够较大幅度地减少计算复杂度,提高分类速度。     

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。     

Face Recognition Based on Support Vector Machine and Nearest Neighbor Classifier

Support vector machine (SVM), as a novel approach in pattern recognition, has demonstrated a success in face detection and face recognition. In this paper, a face recognition approach based on the SVM classifier with the nearest neighbor classifier (NNC) is proposed. The principal component analysis (PCA) is used to reduce the dimension and extract features. Then one-against-all stratedy is used to train the SVM classifiers. At the testing stage, we propose an al-     

基于支持向量机的重力匹配算法

为了在重力异常特征微弱区域内实现重力辅助导航以及提高惯性导航系统在重力异常特征明显区域内的定位精度和匹配率,提出了基于支持向量机的重力匹配算法.研究了支持向量机学习样本的选取、支持向量机参数和重力粗糙度的关系,构造了用于重力匹配算法的支持向量机.经计算仿真研究表明,通过选择适当的支持向量机参数,可以实现重力辅助导航,算法在重力特征显著的区域具有较高的匹配率,组合导航系统的定位误差在一个重力图网格左右.     

基于元学习的雷达小样本目标识别方法及改进

基于深度学习的雷达目标识别方法近年来获得较大关注, 但实战中存在时效性约束和资源限制, 小样本识别难题大大限制其在实际识别任务中的性能。针对这一问题, 本文基于元学习算法, 通过从多个相关任务中学习到的元知识改善新任务的性能, 引入迁移学习思想, 提出一种改进的小样本学习方法, 并通过详细的性能对比实验分析了该方法的应用边界条件。基于实测高分辨距离像数据的实验结果表明, 元学习方法在历史积累样本所含目标类别较多, 与目标任务相关度较大的极小样本情况下, 性能优势才突出, 所提方法可显著提升其综合识别性能。