基于支持向量机的步态识别新方法

为了能更好地提取步态识别参量，克服目前常用步态识别算法的不足，提出了基于频域特征提取与支持向量机（SVM）识别的新方法．首先提取下肢关节点的两维空间运动数据并进行离散傅里叶变换，然后在频域进行窗口滤波，提取中间频段的幅值和相位，以此作为步态特征识别量输入至SVM进行分类识别．使用中国科学院自动化研究所的步态数据库，分别以SVM和人工神经网络（ANN）进行识别，其正确识别率分别为84％-93％和77％-88％，表明本文的新算法具有更好的识别性能．     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

多类支持向量机算法的研究

支持向量机(SVM)是建立在统计学习理论的基础上的一种小样本机器学习方法,它是针对二分类问题而提出的,如何将二分类问题有效地推广至多分类问题是支持向量机研究的重要内容之一.介绍了现有提出的一些支持向量机多分类的方法,并比较其优缺点,在模糊支持向量机的基础上提出具有去噪声的模糊支持向量机的多分类的方法.     

支持向量机训练及分类算法研究

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

支持向量机研究

支持向量机是一种新型的机器学习方法，由于其出色的学习性能，该技术已成为国际机器学习领域新的研究热点，首先介绍了统计学习理论和以该理论为基础的支持向量机，然后对线性、非线性支持向量机进行了介绍，给出了一些常用的训练算法．     

支持向量机的研究

支持向量机可以引入特征变换将原空间的非线性问题转化为新空间的线性问题。本文在论述支持向量机模型创建的基础上,着重对核函数的选取及参数的确定进行了研究,通过实验数据表明,文中创建的组合核函数,在人体下肢动作模式识别中,有较高的识别率。     

直觉模糊支持向量机

传统的模糊支持向量机难以区分具有相同隶属度的稀疏样本点和稠密样本点,进而可能降低分类精度.为了解决此类问题,利用直觉模糊集和模糊支持向量机,构建了直觉模糊支持向量机.仿真实验结果表明:与传统的支持向量机和模糊支持向量机相比,直觉模糊支持向量机的分类结果更精确.     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析.并已成为国际机器学习界的研究热点.本文主要讨论其基本原理与SVM训练算法.     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析。并已成为国际机器学习界的研究热点。本文主要讨论其基本原理与SVM训练算法。     

基于支持向量机的织物悬垂性能评估

分析ε-支持向量机及υ-支持向量机模型，结合织物参数特点，建立基于支持向量机的织物悬垂性能评估模型．以棉织物为例，进行实验分析，结果表明这两种模型具有较好的准确性（训练和评估的相对误差都小于5％），并且需要的样本少，训练的速度快．特别是υ-支持向量机的参数选取较简单，υ在合适的范围内都可以得到比较好的输出结果，验证了基于该模型评估织物的悬垂性能是方便可行的，也为织物质量评估提供了新的思路．     

一种新的支持向量机增量学习算法

提出一种新的支持向量机增量学习算法。分析了新样本加入训练集后，支持向量集的变化情况。基于分析结论提出新的学习算法。算法舍弃对最终结论无用的样本，使得学习对象的知识到了积累。实验结果表明本算法在保证分类准确度的同时，在增量学习问题上比传统的支持向量机有效。     

帕金森病对步态对称性的影响

为定量描述帕金森病（PD）对步态对称性的影响，分别将受试者的左、右腿支撑期时间和跨步时间组成序列对，用序列对的相似性来评价步态的对称性．因序列是非平稳的且含有噪声，故问题转化为考察原序列对在多尺度上逼近序列对的相似性，由定义的相似度定量描述了步态的对称性．结果表明，PD患者的左、右腿支撑期时间在较小的尺度上明显不对称，左、右腿跨步时间在所有尺度上都明显不对称．该方法和结果可为评估PD病情以及临床疗效提供新的思路．     

一种新的支持向量机分类器的设计方法

提出了一种新的支持向量机分类器的设计方法.该方法利用主成分分析(PCA)及聚类技术在原问题空间中求解,减少了支持向量机分类器中支持向量的维数,且将原问题空间与特征空间中的问题归结为同一类的设计问题.     

改进的谱特征和足底边缘距离的步态识别

针对足底压力分布一般呈非线性变化,使用压力点特征来描述步态信息的鲁棒性不高、很难取得较好的应用效果,提出一种改进的谱特征与足底边缘距离特征相结合的静态触觉步态识别方法.该方法首先对压力测试板采集的裸脚静止足底压力图像进行预处理,包括提取关键帧数据、分区域等;其次,将Laplace谱特征、足跟部和脚前掌部分边缘轮廓到整足的几何中心点的欧式距离以及整足的几何中心点坐标作为最终的识别特征;最后,利用一对一的支持向量机(SVM)对30人的步态数据进行步态识别实验,以左、右脚都正确识别作为最终的识别结果,实验结果表明该方法能取得较高的识别率.     

步行训练机器人主动减重控制方法

减重步行训练是治疗由神经疾病导致的下肢步行障碍的重要手段之一.步行康复训练中由于患者下肢无法承载自身的重量,难以保持自身的平衡,因此设计可为患者卸载自重,并帮助其保持平衡的减重支撑系统显得尤其重要.对课题组设计的减重支撑系统提出减重控制方法,并构建控制系统,最终通过实验论证其可行性.实验结果表明,该减重控制方法可以满足主动减重控制的要求.     

研究步态分类的一种新方法

提出一种研究步态分类的新方法——“事件矩阵法”。在给出事件矩阵和有关步态分类研究中的一些定义的基础上,应用事件矩阵对步态分类问题进行了讨论,表明“事件矩阵法”比采用步态矩阵研究步态分类问题更简单、更有效。     

一种基于最优局部信息融合的蛋白质-亚细胞定位预测方法

 基于蛋白质的合成及分选机制,提出了一种新的蛋白质亚细胞定位预测方法。先采用遍历搜索技术,找出各种亚细胞蛋白质序列分选信号和成熟蛋白质之间的最佳分割位点,把蛋白质序列分为两条子序列,计算这两条子序列中的氨基酸组份并将它们融合起来作为整条蛋白质序列的特征,然后构造用于识别每类蛋白质的最佳子分类器,再根据最大化原则组建集成分类器。在NNPSL数据集上,采用5重交叉验证方法对本文方法进行测试,原核和真核两个蛋白质序列子集分别取得94.1%和87.5%的总体预测精度。同时,此方法在一些蛋白质序列中找到的分割位点与真实生物现象相吻合,能为预测蛋白质序列的剪切位点提供参考信息。     

面向真实监控环境的前视步态识别方法

真实监控环境下,行人前视步态比侧视步态更常见.现有步态识别方法主要针对侧视步态而非前视步态.为此,文中根据行人步态统计特征,提出了一种基于自动视角转换的前视步态识别方法.该方法通过计算行人步态能量图、行走迹线和步态视角,提取经视角转换后同一视角下的步态特征并进行比对识别.实验结果表明,在真实监控环境且单目监控摄像机参数未知的情况下,该方法对前视步态的正确识别率达81%,每秒可识别21帧,具有良好的识别效果.     

Novel method of mining classification information for SVM training

Support vector machine(SVM) is an important classification tool in the pattern recognition and machine learning community,but its training is a time-consuming process.To deal with this problem,we propose a novel method to mine the useful information about classification hidden in the training sample for improving the training algorithm,and every training point is assigned to a value that represents the classification information,respectively,where training points with the higher values are chosen as candidate support vectors for SVM training.The classification information value for a training point is computed based on the classification accuracy of an appropriate hyperplane for the training sample,where the hyperplane goes through the mapped target of the training point in feature space defined by a kernel function.Experimental results on various benchmark datasets show the effectiveness of our algorithm.