基于SVM的图像分类研究

支持向量机（SVM）是一种优秀的分类方法,灰度共生矩阵（GLCM）是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法。实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高。     

基于TWSVM的图像分类

图像分类技术是图像数据处理中最重要的技术之一.支持向量机是基于统计学习理论而提出的机器学习算法,在样本数少的时候能达到很好的分类效果.孪生支持向量机是基于支持向量机而提出来的,其性能优于支持向量机.通过提取彩色图像的颜色特征与纹理特征,利用孪生支持向量机与支持向量机对这些特征向量进行分类,孪生支持向量机的分类准确率与稳定性都高于支持向量机.     

利用SVM和灰度基元共生矩阵进行图像数据库检索

提出了一种新的基于内容的图像检索方法，其关键技术是：(i)提出一种检索图像内容纹理统计特征的新方法，定义若干规范灰度像素模式基元；计算这些基元沿不同方向和不同跨距成对出现的概率，可以组成灰度一基元共生矩阵；该矩阵可用来描述图像纹理方面的特征。(ii)通过构建分类矩阵进行二叉树判别，扩展了SVM的多类分类功能。实验测试表明该法可行，且具有较好检索性能。     

基于SVM的车型分类方法研究

随着图像处理和人工智能的发展,智能交通系统将会广泛的应用于现实生活中,而对智能交通系统中车型的自动分类方法将越来越繁多。本文结合支持向量机方法,提出一种基于图像处理的自动车型分类系统。并通过matlab实验平台设计了分类器,对所提供的车型图像实现自动分类,取得了较为满意的实验结果。     

基于可重构计算技术的图像分类系统研究

考虑到图像分类方法是计算密集型算法,设计使用可重构方法对图像分类系统加速.再由纹理参数本身的特性,利用基于差异的动态重构方法以有效利用芯片.实验表明,所设计的图像分类系统与通用处理器相比,显著减少了分类时间;同时在不增加运行时间的前提下,与传统实现方法相比,能更有效地利用芯片面积.     

基于内容的医学图像分类研究

基于内容的医学图像分类是一个复杂的非线性问题,分类器的性能主要取决于提取的特征和模式识别算法。讨论了医学图像基本特征提取方法和多特征融合技术的发展,以及常用的模式分类算法。最后指出了支持向量机在医学图像分类中应用时需要解决的问题。     

基于DLSVM算法的高分辨率遥感图像分类研究

为了进一步提高高分辨率遥感图像的分类精度及效率,融合支持向量机SVM及局部支持向量机KNNSVM算法,借助主动学习相关理论,提出了基于距离的局部支持向量机算法(DLSVM).该算法通过对未标记样本和超平面之间的距离与预先设定的距离阈值相比较,判断是否需要进一步建立局部支持向量机KNNSVM来确定样本的类标.对实际的高分辨率遥感图像分类的实验结果显示:在合适的距离阈值与K值的设置下,该算法能够提高支持向量机SVM的分类精度,同时大大降低KNNSVM算法的时间消耗.     

基于小波变换和支持向量机的图像分类

提出了一种基于小波变换和支持向量机的图像分类新方法,该方法利用小波变换进行图像特征提取,利用支持向量机进行图像分类,并与基于图像底层特征的分类方法进行了实验比较.实验结果表明该方法具有较好的分类性能.     

基于模式识别与灰度共生矩阵的神经元图像分类

为了实现自动高效且结果准确的生物神经元识别,提出一种基于模式识别与图像灰度共生矩阵特征的神经元自动分类方法。该方法通过对生物神经元图像预处理,计算图像的灰度共生矩阵,统计各图像灰度共生矩阵属性值的平均值和标准差,构建生物神经元类别的特征空间,利用模式识别中的人工神经网络方法建立特征空间与神经元类别之间的映射关系。采用收集的160幅生物神经元图像对该方法进行实验分析,测试集的识别正确率达93.8%。研究结果表明,结合模式识别与图像灰度共生矩阵特征的生物神经元图像自动分类方法具有较高的准确性与可靠性。     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

基于模糊支持向量机的超光谱遥感图像分类

支持向量机（SVM）应用到超光谱图像分类中有较好的识别效果，但它在解决多分类问题时，存在不可分区域的局限性．为此提出了一种基于一对一SVM的模糊支持向量机，并将该方法应用到超光谱图像分类实验，结果表明该方法不仅改善了不可分区域的存在问题，而且比传统的SVM在分类精度上有明显的提高．     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于小波变换和支持向量机的音频分类

音频特征提取是音频分类的基础,而音频分类又是基于内容的音频检索的关键。使用小波变换和支持向量机的方法对音频进行分类。研究了小波变换域的音频特征提取,分析了这些特征在小波变换域中的意义。把得到的特征向量作为支持向量机的输入,把音频分成纯语音、带背景音乐的语音、音乐、环境音4种类型。实验结果表明,基于小波域的特征计算简单、能够较好地区分不同的音频类型,得到较高的分类精度。     

基于加权超球支持向量机算法的超文本分类研究

为提高超文本分类算法的性能,降低算法的复杂度,提出一种适用于超文本分类的加权超球支持向量机算法.该算法综合文档内容信息和超链接信息作为文档特征向量,针对传统超球支持向量机算法在不同类别样本数目不均衡时训练分类错误倾向于样本数目小的类别的问题,利用加权因子补偿了类别差异对算法推广性能造成的不利影响.在基准数据集上的测试结果表明,该算法降低了二次规划的复杂度,提高了分类器的分类性能.     

基于Huffman树的模糊多类支持向量机

针对二叉树多类分类方法存在的问题,提出了一种基于Huffman树的构造过程自下而上生成二叉树结构的方法.为降低二叉树方法"误差累积"的影响,使用模糊支持向量机来训练每个结点的两类分类器.针对设计隶属度函数时仅考虑样本与类别关系,而不考虑样本间关系的问题,提出了根据传统支持向量机构造的超平面做切球来确定样本间关系的方法,有效地区分了有效样本和噪音、孤立点样本.实验结果表明:同其他多类支持向量机方法相比,该方法具有更好的分类性能.     

基于支持向量分类机的结构可靠度分析

本文将支持向量分类机(SVC)引入到结构可靠度计算分析中,采用拉丁超立方抽样法进行初始输入训练样本的实验设计,将支持向量分类机作为响应面函数,并利用遗传算法进行参数优化,最后结合蒙特卡罗模拟提出了基于支持向量分类机的改进响应面法,其主要思想为：定义“重要性”判定函数,在迭代过程中,按判定函数值从抽样样本中选取新的训练样本,使支持向量分类机的模拟功能函数在对失效概率有较大贡献的区域内能更进一步地接近真实功能函数,从而大大提高可靠度分析的精度以及效率。     

基于最小二乘的孪生有界支持向量机分类算法

基于经典的孪生有界支持向量机(TBSVM),构造了一个既简单又快速的基于最小二乘的孪生有界支持向量机(LSTBSVM)的二分类算法.该算法简单地将TBSVM模型中的两个目标函数中不等式约束问题修改为等式约束,问题最终归结为求解两个最小二乘问题,以至于两个最优不平行平面可通过求解一对线性方程组获取.与TBSVM相比,LSTBSVM具有更低的时间复杂度,以至于可以有效地处理大数据集.通过理论分析和在传统的UCI和人工数据集上的实验显示,LSTBSVM不仅具较快的计算速度,且能得到与TBSVM相当的性能.     

基于模糊支持向量的多标签分类方法

单实例多标签分类是指一个样本拥有多个标签的分类问题,对此提出了一种基于半模糊核聚类和模糊支持向量机的多标签分类算法.该算法采用一对一分解策略将多类多标签数据集分解为多个两类双标签数据子集,在每个子集上训练两类双标签模糊支持向量机.为提高分类器的性能引入了半模糊核聚类技术.实验结果表明,与现有的一些算法相比新算法具有其优...