星空背景下运动目标级联支持向量机高精度检测

为实现空间监视系统光学图像中目标高精度探测,提出了一种星空背景下高精度快速级联式支持向量机空间目标检测算法。通过提取空间目标不同尺度下目标二值规范化特征,训练前两级线性级联支持向量机分类器;继而提取目标的面积、周长、灰度、Hu矩特征作为组合特征,训练第三级支持向量机分类器。在目标检测过程中,采用前两级支持向量机分类器进行候选目标的窗口预测和评分,进而利用第三级支持向量机分类器进行目标确认而给出检测结果。仿真实验及结果分析表明,这种级联支持向量级目标检测方法的精度高、实时性强、适用于星空背景下的空间监视系统。     

基于支持向量机和遗传算法机器人运动目标检测

针对足球机器人在比赛过程中,由于光线变化、场地颜色变化、目标被遮档导致的目标识别率低、鲁棒性差和实时性不强等问题,采用二维直方图对机器人5个标准目标的颜色模型进行分析比较,确定最佳颜色模型为YIQ.对5个目标的聚类进行改进的形态学处理,得到了最佳的特征值.对所获得的机器人5个目标特征值进行改进的SVM分类识别.用改进的遗传算法对识别的目标位置进行检测分析,在目标被遮档或部分遮档的情况下仍能正确检测,增强了目标检测的鲁棒性.实验表明,其平均识别率达到97.38%,收敛速度小于10代,检测精度达到95%,能够满足球机器人比赛要求.     

基于支持向量机(SVM)的工业过程辨识

将支持向量机应用到典型的时变、非线性工业过程——连续搅拌反应釜的辨识中，并与BP神经网络建模相比较，仿真结果表明了支持向量机的有效性与优越性．支持向量机以其出色的学习能力为工业过程的辨识提出了一种新的途径。     

Flink平台下的分布式平衡级联支持向量机

支持向量机（Support Vector Machines,SVM）在分类和回归领域都是非常强大的工具,但在大数据环境下,其面临资源占用过高和寻优速度慢等问题.目前利用大数据框架实现的SVM,虽然优化了寻优速度慢的问题,但其预测精度与直接训练方式相比存在一定的差距,此外其并没有对训练节点的资源进行合理配置.故提出一种Flink平台下的分布式平衡级联向量机,该方式在之前的基础上将数据集分成含有相同比例样本的平衡子集,并对子集的训练参数进行放缩;同时,结合Flink下迭代作业的动态资源分配策略,将各节点资源最小化为刚好满足训练需求.对该方法的有效性进行阐述,对比多个数据集在不同训练方式下的资源占用和模型精度,实验结果表明,采用所提出的训练方式能合理灵活地对资源进行配置,同时将模型预测精度误差降低到0.1%以内.     

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．     

支持向量机在视频运动目标分析中的应用

提出一种基于支持向量机的运动目标分类方法. 先将支持向量机引入分析视频运动目标中, 再在视频中筛选出简单有效的组合特征对目标进行分类. 该方法先使用混合Gauss背景模型提取前景运动目标, 获取目标的形状特征和运动特征, 再利用支持向量机对样本数据进行训练, 得到最优决策函数. 实验结果表明, 利用支持向量机和运动目标特征组合的方法进行运动目标分析实用、 有效.     

自适应背景下的运动目标检测

智能视频监视就是实时地观测被监视场景的运动目标,如人或车辆等,并且分析描述其行为.在数字视频监控系统中,从视频流里捕获出序列图像并进行实时运动检测是一项重要的功能.采用基于自适应背景相减法的运动目标检测,并结合数学形态学的方法来进行特征提取.该方法由于增强了边缘检测技术,所以有效地提高了检测水平.     

暗背景下运动发光目标检测

采用通常方法处理暗背景下运动发光目标,因监测摄像机所拍摄二维图像背景的复杂性,导致对目标数量统计的误差,为此,提出了综合形状检测法。该方法在对原始图像提取封闭边缘后,用形状因子和边界在两个正交方向的对称性作为判据,根据发光体目标本身及其光线投影的几何形状差异,将发光体和投影区域分割开,只对反映发光体本身的光亮区域进行统计计数。试验测试表明,该方法的相对误差为4.2%左右。     

自适应背景下的运动目标检测

智能视频监视就是实时地观测被监视场景的运动目标,如人或车辆等,并且分析描述其行为。在数字视频监控系统中,从视频流里捕获出序列图像并进行实时运动检测是一项重要的功能。采用基于自适应背景相减法的运动目标检测,并结合数学形态学的方法来进行特征提取。该方法由于增强了边缘检测技术,所以有效地提高了检测水平。     

SVM支持向量机在遥感图像中的应用研究

遥感图像分类是遥感图像处理领域中的一个重要的研究方向,随着传感器质量的不断提高,越来越多高质量的遥感图像需要新的监督分类方法进行处理。常用的将svm二元分类器改进成为多级分类器的方法有一对一(one against one,1-v-1)和一对多(one against all,1-v-all)。本文将使用这两种方法进行遥感图像分类研究,进行对比评价。结果发现在大多数情况下,第一种方法一对一在计算速度和分类精度方面要优于第二种方法一对多。但是这种差别并不太显著,具体选择哪种方法也取决于实际情况。     

边界向量下的支持向量机算法

针对传统支持向量机中存在原始数据量过大导致训练速度太慢的问题,同时考虑到非支持向量对支持向量机的训练性能无影响,且影响支持向量机性能的支持向量往往位于边界的特点,提出一种提取边界向量的支持向量机算法.数值实验表明:改进算法在保证支持向量机分类能力的前提下,有效提高了支持向量机的分类效率.     

基于支持向量机的异常检测

提出一种使用支持向量机(SVM)进行计算机系统实时异常检测的方法，内容涉及到一种对支持向量机方法的改进算法、对数据预处理的方法及SVM核函数的选取．试验结果表明采用这一算法进行入侵检测具有准确率高、计算简单、占用的存储空间小等优点．     

基于小波支持向量机分割的SAR图像桥梁目标检测

针对SAR图像中桥梁和水域的统计特性,提出了基于小波支持向量机分割与先验知识相结合的桥梁目标检测方法.通过对SAR图像中桥梁和背景的分析,首先对水域进行特征提取,再利用小波支持向量机方法对数据进行训练建模,通过模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测.基于真实SAR图像的实验结果显示,此方法不需对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速、准确地检测SAR图像中的桥梁目标.     

支持向量机（SVM）方法对财务危机的预警

上市公司是证券市场的基石，其行为的规范与否及其财务状况的好坏将直接影响到证券市场的发展和投资者的利益。而在市场经济条件下，每个企业绝对地防止财务失败是不现实的，在特定的条件下，总会有一些企业陷入财务失败的困境，然而人们面对这样的困境不是无能为力的，企业财务失败是可以提前预测的。本论文正是基于这样的思想，在总结国内外有关企业财务失败研究成果的基础上，论述了企业财务失败与破产、企业财务失败与ST的关系。在对企业财务失败预警的含义、功能及特征等进行了必的简单介绍之后便进入实证研究部分。实证研究部分主以我国深、沪两市96年前上市的260家A股公司为研究样本，采用2005年至2007年三年的实际财务数据的均值，运用支持向量机（SVM）方法，随机抽取其中的200家企业的数据建立判别模型，运用自身验证法对模型的稳定性加以分析，又运用外部数据法，使用剩余60家上市公司的数据对模型的预测能力进行了验证。结果表明：通过对21个变量指标进行分析，SVM的准确率很高，其预测的准确率为94％。而后对模型的可行性和有效性进行了验证，正确的判别率达到了91．6667％，结果表明模型是可行的。从而建立了判断上市公司财务危机的数学模型。     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

基于支持向量机的机场检测算法

提出了一种新的机场检测算法．该算法通过把机场跑道的几何特征与其所在区域的纹理特征相结合来描述机场特征，其中由灰度的平均值和方差、区域的光滑性、直方图的偏斜度、区域的一致性、图像的随机性、图像的梯度平均和方差等8个特征组成机场的纹理特征向量．先通过直线检测找到机场跑道的候选区域，然后用基于高斯核函数的支持向量机作为分类函数，对候选区域的特征向量进行分类，由此判别机场跑道．实验表明，与传统的仪通过形状判断机场的方法比较，该算法对机场的误检率较低，检测率比刘德红的方法高近10倍，几乎能实时完成一幅图像的检测．     

支持向量机在云检测中的应用

针对地球观测系统/中分辨率成像光谱仪影像资料中的云检测工作,提出了基于支持向量机SVMs(support vector machines)的遥感影像分类方法.分析了云检测过程中的特征提取和选择,建立了基于支持向量机的遥感影像分类模型,并针对陆地、海洋2种不同的下垫面进行了云检测试验.云检测结果中,云与陆地、水体、积雪准确地区分开来.结果表明,特征选择对云检测起到了积极的作用,同时也证明了支持向量机方法在遥感影像分类中的优势.     

应用支持向量机实现分布式入侵检测

描述了一种应用支持向量机构建的分布式入侵检测系统模型 ,介绍了支持向量机的机器学习原理、训练过程以及在线检测流程 .仿真结果表明系统提高了对未知入侵的检测能力     

基于支持向量机的印板缺陷检测

印板在工业制造中会产生表面缺陷,对产品的外观和性能都有影响.目前没有针对印板缺陷检测相关产品,为了解决这一问题,设计一个系统能够自动检测印板缺陷.根据采集的样本,确定缺陷种类.提取印板缺陷的纹理、几何和Hu不变矩特征共计23种,确定15种特征作为印板缺陷分类的依据,并运用支持向量机(SVM)方法建模.经实验验证,该系统能对印板常见3类缺陷检测,准确率高,检测速度平均0.7 s/张.