基于支持矢量机和信任域的目标跟踪算法

从模式分类的角度看待跟踪问题,将SVM(支持矢量机)方法、信任域算法和尺度空间理论相结合,提出了一种能精确描述目标尺寸连续变化的新的序列图像目标跟踪算法。首先使用SVM算法对像素分类,将每一帧输入图像转换成目标概率分布图,目标区域在概率分布图中呈现为灰度块。然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定这些灰度块的尺度。最后使用QP-TR信任域算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标定位并同时决定了其尺度,从而完成了跟踪任务。通过和现有算法的比较以及在大量真实序列图像上的实验表明,该算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度。     

基于支持矢量机的宫颈细胞分类

以宫颈癌细胞的分类检测为背景,针对帕普涂片检测有很高的假阴性率和检测结果不精确问题,采用支持矢量机对红外线光谱(FTIR)数据进行分类,以提高帕普涂片检测的精确度.以53个病例的帕普涂片检测和阴道镜活检结果做为原始数据,以阴道镜活检的结果作为正确样本,选择软间隔分类器和高斯核函数进行模型仿真,然后,使用留一法交叉验证来测试算法准确性,将支持矢量机的分类结果和帕普涂片检测的结果与正确样本进行比对.结果表明,使用支持矢量机的分类正确度达到72%.     

基于支持矢量机的宫颈细胞分类

以宫颈癌细胞的分类检测为背景,针对帕普涂片检测有很高的假阴性率和检测结果不精确问题,采用支持矢量机对红外线光谱(FTIR)数据进行分类,以提高帕普涂片检测的精确度。以53个病例的帕普涂片检测和阴道镜活检结果做为原始数据,以阴道镜活检的结果作为正确样本,选择软间隔分类器和高斯核函数进行模型仿真,然后,使用留一法交叉验证来测试算法准确性,将支持矢量机的分类结果和帕普涂片检测的结果与正确样本进行比对。结果表明,使用支持矢量机的分类正确度达到72%。     

基于支持向量机的数据融合机动目标跟踪算法

利用支持向量机方法研究GPS和雷达系统对机动目标联合测量中的数据融合问题.使GPS数据经时间配准处理与雷达数据达到时间同步,再经空间配准和坐标系变换后进行卡尔曼滤波,将滤波估计坐标值作为支持向量机的输入,以支持向量机为同步融合中心,输出为目标轨迹的融合估计值.仿真结果表明,这种方案可以达到比融合前数据更贴近真实值的效果.     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。     

一种基于NAPS核函数支持矢量机的说话人识别算法

介绍了指数展开分类器，引出了NAPS核函数及核映射的概念．详细讨论了如何利用基于NAPS核函数的支持矢量机进行说话人识别的算法．理论和实验表明，算法具有模型参数小、识别速度快和识别率较高的优点．     

支撑矢量机的改进分类器算法

支撑矢量机是20世纪90年代中期发展起来的机器学习技术，改进分类器算法通过增大广义最优超平面的分类间隔，实现了识别能力的提高，在此基础之上，参选取部分训练样本，来提高优化速度，而且不会降低分类能力，从而能够同时提高支撑矢量机的识别率和降低时间复杂度，为支撑矢量机的应用提供了一种有效的实用化方法，实验结果表明，该方法在可分性得到显著提高的同时提高了速度。     

支持向量机训练算法概述

本文介绍了目前流行的机器学习方法——支持向量机,详细论述了目前主要的支持向量机的训练算法,分析了它们各自的优缺点。最后对支持向量机训练算法今后的研究提出一些设想。     

基于灰色信息的支持向量域分类算法

当被识别的样本包含有未确知性的灰信息时,传统的SVDD算法无法对其类别作出判别.针对这一问题,并考虑到SVDD算法是一种基于样本间距离测度的判别方法,提出了一种针对灰信息样本进行判别的支持向量域数据描述算法-GSVDD算法,该算法利用区间数对未确知性的灰信息进行表达,将区间运算引入到SVDD算法中,以区间距离取代原来的确定性距离,从而对灰信息目标样本进行识别.理论分析和实验结果均表明,该算法是有效和可行的.     

基于粒子算法和支持向量机的财务危机预警模型

基于特征集的选择、核函数参数的优化对支持向量机(SVM)模型的预测性能有着重要的影响,提出了一个粒子算法-支持向量机(PSO-SVM)模型.该模型采用PSO对特征集和核函数参数同时进行优化,从而提高SVM模型的预测结果.将所提出的PSO-SVM模型应用到财务危机预警中,取得了较佳的预测结果.     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

一类非单调自适应-BFGS信赖域算法

针对无约束优化问题,每次迭代充分利用当前迭代点及其一阶导数的信息自动生成一个信赖域半径,并结合BFGS算法的优点,构造了无约束优化问题的一种非单调自适应-BFGS算法.在一定条件下,给出了算法的全局收敛性以及具有超线性收敛速度的证明.     

利用支持向量机SVM识别车辆类型

支持向量机（Support Vector Machine，SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力，已被广泛地应用于多类分类问题的研究．以车辆轮廓特征为对象，将二类分类支持向量机SVM应用于多类车辆类型的识别，并与其它分类器的分类结果进行了对比．通过9次交叉验证实验，结果表明SVM对车辆数据样本的测试准确率达到了85．59％，其分类性能优于其它分类器．     

一种快速SVM学习算法

介绍了支持向量机用于解决模式分类问题的基本原理和学习算法，在对SMO算法进行深入分析的基础上，提出了一种改进的分解算法GD，较好地解决了训练过程中子问题的求解复杂度和迭代次数及效率之间的矛盾。实验表明，该算法能够大大缩短非线性核支持向量机的训练时间。     

SVM和K-NN协同工作的垃圾邮件过滤器

提出了一种基于支持向量机的改进分类方法.该方法将特征空间分类超平面附近的样本分类,交由特征空间和样本空间中的K-近邻集体投票表决.该方法应用于垃圾邮件的过滤,邮件合法性误判发生的概率可被有效降低.最后通过垃圾邮件过滤实例对本文所述方法的有效性进行了验证.     

SVM和K—NN协同工作的垃圾邮件过滤器

提出了一种基于支持向量机的改进分类方法．该方法将特征空间分类超平面附近的样本分类，交由特征空间和样本空间中的K-近邻集体投票表决．该方法应用于垃圾邮件的过滤，邮件合法性误判发生的概率可被有效降低．最后通过垃圾邮件过滤实例对本文所述方法的有效性进行了验证．     

基于支撑矢量机和Windows Native API的异常检测方法

借鉴Unix类系统下基于系统调用的主机异常检测理论，通过追踪Windows本机应用编程接口调用序列，对Windows系统下的主机异常检测进行研究．在异常序列检测中，结合使用对小数据集具有较好推广能力的支撑矢量机方法，进而取得较高的检测准确率．实验表明NativeAPI可为Windows平台下基于主机的异常检测系统提供一种可能的数据源．     

一种提高SVM分类速度和泛化性的新方法

提出了一种改进的支持向量分类方法,根据支持向量机中支持向量不会出现在两类样本集间隔以外的正确划分区的理论,通过引入类质心,类半径,类质心距等概念,从而较好地解决快速而准确的删除非支持向量的问题,引入了类向心度的概念,解决了当两类样本集混淆严重的时候如何更加精确的进行剔除混淆点,保证算法泛化性的问题。实验表明,采用这种改进的算法既能快速精确的对训练样本进行删减又可以当两类训练样本集混淆较严重时较好的解决泛化性问题。     

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。