基于Gaussian混合的距离度量学习数据划分方法

针对有限样本情况下,多次训练模型时容易出现不稳定和偏差问题,提出一种基于Gauss-ian混合的距离度量学习数据划分方法,通过更合理地划分数据集来解决该问题.距离度量学习依靠深度神经网络优异的特征提取能力,将原始数据提取的特征嵌入到新的度量空间中;然后,在该新的度量空间中基于深层次特征使用Gaussian混合模型进行聚...     

基于马氏距离谱特征的图像匹配算法

传统的基于谱特征的图像匹配算法中,采用的欧式距离度量不能公平地反映数据样本各维度分量之间的潜在关系,并且当存在较大的形变和出格点时匹配精度和稳定性较差.为了解决谱特征构造中所存在的问题,文中提出一种基于马氏距离谱特征的图像匹配算法.该算法首先利用马氏距离在子特征点集上构造局部无向加权图;接着对图的关联邻接矩阵进行奇异值分解,用特征值向量构造描述点集属性的马氏距离谱特征;然后根据马氏距离谱特征构造出匹配矩阵,并利用贪心算法得到图像特征点之间的匹配关系;最后,为了进一步提高匹配的精度,采用SVM方法剔除误匹配点.大量实验结果表明,该算法提高了匹配的精度,并且对出格点问题具有较高的鲁棒性.     

基于阈值优化的CDRM-SVM入侵检测算法

为了提高中心距离比值法预选取支撑矢量的效率,降低支撑矢量机的训练时间,引入自适应动态克隆算法对中心距离比值法的阈值进行优化,并将该算法应用于入侵检测中,提出了基于阈值优化的CDRM-SVM入侵检测算法.算法首先利用自适应动态克隆算法对中心距离比值法中的阈值进行优化,获得理想的阈值,从而可以提取出包含全部支撑矢量的边界矢量集,然后使用边界矢量集代替训练样本集进行支持矢量机的训练,大幅度减少了训练样本的数量,使支持矢量机的训练速度显著提高.同时,由于边界矢量集中包含了支撑矢量,因此,支撑矢量机的分类能力没有受到影响.采用KDDCUP 99数据集进行试验,试验结果表明:与传统方法相比,在保证性能的情况下,所提算法能够有效地降低支持向量机的训练时间.     

基于主分量分析的空间目标识别方法

目标的雷达散射截面(RCS)包含了丰富的目标类别信息,如何有效利用目标RCS特征对空间目标的雷达识别具有重要意义.文中提取中心矩作为特征向量,采用主分量分析(PCA)进一步进行特征压缩,利用支撑矢量机(SVM)分类算法来实现识别.基于实测数据的仿真实验结果表明,该方法具有较好的识别性能和推广能力.     

一种基于关联规则的核粒度支持向量机

提出一种基于关联规则的核粒度支持向量机(association rules based kernel granular SVM,AR-KGSVM)学习算法.AR-KGSVM首先将输入空间中的样本用核函数映射到高维特征空间,然后在核特征空间挖掘基于距离度量的关联规则以划分粒.算法的粒划分和数据训练都是在高维核空间中进行,避免了一般的粒度支持向量(granular SVM,GSVM)在低维空间作粒划分而在高维空间中训练,使数据分布不一致而导致泛化能力不高的问题.在标准数据集上的实验结果表明AR-KGSVM的泛化能力优于传统的SVM和GSVM方法.     

基于CSSD和SVM脑电分类技术的研究

本文研究的BCI实验是基于BC12003竞赛数据来对脑电信号分类。本文提出了一种脑电信号趋势的概念,使用支持向量机（SVM）作为分类器的算法。首先将BC12003竞赛数据通过中值滤波器和由小波函数构成的带通滤波器,然后用时间窗进行时域上地过滤,选取对于大脑思维活动现象表现最明显的一段数据,再通过共空域子空间分解（CSSD）从脑电信号中提取特征,最后基于提取的特征,通过SVM训练后,进行分类识别,分类识别率达到了85％～96％。实验中采用的特征提取方法和分类方法对于脑电信号的分类识别准确率提高了不少。     

SVM-KNN分类器在网页分类中的应用

为了提高中文网页自动分类的分类精度,将SVM-KNN方法用于中文网页分类.提出了一种中文网页的表示方法,在将下载的网页全部表示为向量空间的向量后,用SVM构造了一个多类分类器.在分类时通过在特征空间计算网页所表示的向量和分界面的距离决定采用SVM方法还是KNN方法对其分类.实验证明该方法是一种有效的方法,对网页分类的各类,使用该方法均比使用SVM方法具有更高的分类精度,同时能缓解SVM训练时对核参数的选择困难问题.     

基于支持向量机与尺度不变特征转换算法相结合的线状矢量数据匹配方法

由于不同来源或不同时间,导致了同一地物在存储方式或属性等方面存在着很多差异,这给后期的数据处理和使用带来了诸多不便,因此矢量空间数据匹配已经成为了关键性问题。提出了一种基于栅格化的线状矢量数据匹配方法,其主要思想是对线状矢量数据栅格化,利用SVM(Support Vector Machine, SVM)算法提取出所要研究的数据,然后利用Harris算子提取特征点,用SIFT(Scale-invariant feature transform,SIFT)算法计算特征向量并对其进行匹配,最后把匹配结果转换为矢量数据。该算法不受平移、旋转、缩放、明亮度变化等的影响,弥补了矢量匹配过程中因数据旋转等问题而无法匹配的不足,将矢量数据栅格化处理,使其数据结构更简单,操作容易,更易于算法的实现。提出了一种基于栅格化的线状矢量数据匹配算法,实现了对道路的匹配。     

基于EEMD-SVD与时域分析的马田系统轴承故障诊断

针对轴承初始故障发生的时间点以及退化趋势,提出了基于总体平均经验模式分解和奇异值分解方法(EEMD-SVD)与时域分析的马田系统故障诊断方法.该方法通过提取振动信号时域和时频特征,构建不同特征参数下的基准空间并利用正交表对特征参数进行降维和优化,最终融合成单一特征参数马氏距离.分别用马氏距离监测轴承运行状态,判断初始故障发生的时刻以及演化趋势,并依据马氏距离对轴承故障发展的过程进行了划分.该方法有效地提取了振动信号时频特征并优化了马田系统基准空间,更加准确地识别了轴承初始故障发生的时间点以及更加合理地划分了轴承的退化过程.通过两组滚动轴承加速寿命试验,验证了该方法的有效性和合理性.     

基于FVQ和HMM模糊训练的语音识别方法

本文提出了一种基于模糊矢量量化（ＦＶＱ）和隐马尔柯夫模型（ＨＭＭ）模糊训练的语音识别新方法．利用模糊矢量量化替代了传统方法中的矢量量化，语音特征参数序列经过模糊矢量量化后得到模糊观察符号序列．在此基础上提取出一个反映训练样本总体随机变化特性的模糊观察符号序列，然后用它对该音节的ＨＭＭ进行一次性全局训练，训练算法经传统的Ｂａｕｍ－Ｗｅｌｃｈ算法改进得到．经十个汉语数字的对比实验表明，该训练算法大大提高了系统的训练速度，模糊矢量量化与传统的矢量量化相比，不仅提高了隐马尔柯夫模型的鲁棒性，进而提高了系统的识别率，而且在语音训练数据不充足的情况下，也能得到很好的识别性能．