基于可拒识SVM的并行增长图像分割算法

针对经典区域增长算法中生长规则以及特征选取困难的问题,提出基于可拒识双层支持向量机模型的多目标并行区域增长图像分割算法。首先交互选择多个不同区域的种子点,并交互选择属于每个目标区域的子块和非目标区域的子块形成双层支持向量机训练样本;然后利用这些已知的训练样本训练双层支持向量分类器;在区域增长过程中,首先利用第一层的最大间隔超平面的支持向量分类器(SVC)进行分类判决,对属于该区域的点再利用第二层的支持向量域数据选择器(SVDD)进行拒识或接受处理,最后利用两层分类器的结果进行综合判决。为避免初始种子点位置选择对算法性能的影响,采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果,实验结果表明,提出的算法是合理可行的。     

基于支持向量信息测度排序的快速分类算法

如何降低支持向量机海量训练样本的数目,是提高算法速度的关键。提出利用支持向量分布的几何特征建立基于特征空间中支持向量信息测度的快速算法,对于训练样本首先进行基于支持向量信息测度升序排序处理,然后根据训练样本提供的信息测度选择合适的训练样本子空间,在该样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后针对附加残余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明,提出的算法具有较好的性能,特别是在训练样本庞大、支持向量数量较多的情况下,能够较大幅度地减少计算复杂度,提高分类速度。     

一种改进的基于SVM的SAR目标及阴影图像分割方法

提出了一种基于支持向量机(support vector machine, SVM)的合成孔径雷达(synthetic aperture radar, SAR)目标及阴影图像的改进分割方法。利用分类的思想对SAR图像进行分割,其中分类器是通过循环不断更新训练样本的方式完成训练,循环次数由计算相邻两次分割图像熵的差值来控制。用DARPA (defense advanced research project agency)和Sandia实验室提供的实测数据进行分割实验。结果表明,所提算法得到的分类器性能更加优越,同时能够减少初始分割中阈值的选取对分类器性能的影响,有效地提高了SAR目标及阴影图像的分割质量。     

基于多特征和WSVM的SAR图像河流目标检测

为进一步提高合成孔径雷达(synthetic aperture radar, SAR)图像中河流目标检测的准确性,本文提出了基于多特征和小波支持向量机(wavelet support vector machine, WSVM)的SAR图像河流目标检测方法。首先使用均值比表示像素点邻域的灰度特征,Gabor小波提取其纹理特征,并将其融合构造训练样本;然后将归一化处理后的特征矩阵输入WSVM进行训练,并利用训练好的WSVM对图像的每个像素点进行分类;最后根据河流的区域连通性和面积、形状特征,去除阴影、湖泊等与河流相似的区域。大量实验结果表明,与其他河流目标检测方法相比,本文方法检测的河流目标更加完整,背景与河流的误分区域更少,河流边缘保持得更好。     

基于新的决策规则的球形支持向量机分类算法

球形支持向量机是一种学习算法,它通过在高维特征空间中,对每一个模式类别构造一个覆盖其所有训练样本的具有最小体积的超球体,来实现对训练样本空间的划分.在此基础上,提出了一种基于新的决策规则的球形支持向量机算法,并在七个UCI数据集上进行了实验,实验结果表明提出的算法可以取得比标准的支持向量机算法更好的分类效果.     

改进的渐进直推式支持向量机算法

针对半监督学习中渐进直推支持向量机(Progressive Transductive Support Vector Machines, PTSVM)算法存在训练速度慢, 回溯式学习多,学习性能不稳定的问题,提出一种改进的渐进直推支持向量机算法---IPTSVM.该算法利用支持向量的信息选择新标注的无标签的样本点,结合增量支持向量机的迭代更新算法, 继承渐进直推支持向量机渐进赋值和动态调整的规则, 与PTSVM相比,不仅在一般情况下提高了分类的精度,而且大大提高了算法的速度.在人工模拟数据和真实数据上的实验结果表明了该算法的有效性.     

改进的稀疏孪生支持向量回归算法

相比传统支持向量机,尽管孪生支持向量机具有较快的计算速度,然而不具备结构风险最小化和稀疏性,易产生过拟合现象。针对这一问题,提出了一种具有稀疏性的改进的孪生支持向量回归算法。通过在目标函数中加入正则项将结构风险最小化原则引入到孪生支持向量回归算法中,改善了算法的回归性能|同时选择训练样本的一个子集代替全部的训练样本,使核函数由方阵转变成矩形阵,从而使算法具有稀疏性,有效减少运算时间。仿真结果证明了该算法的有效性。     

基于局域支持向量机的海浪水压场混沌预测

针对海浪水压场的短时平稳性,采用局域支持向量机进行预测滤波.首先分析了海浪水压场信号的混沌特性,并根据其混沌特性,提取训练空间中与当前相点的行为特征密切相关的最近邻点作为训练样本对支持向量机进行训练,减少了训练样本的数目,节省了网络学习时间,从而可实时对网络参数进行更新,使支持向量机能够跟随海浪的变化.实际计算表明这种算法能够以较快的学习速度和较高准确度实现海浪预测,能够克服由于海浪的短时平稳性所带来的随时间的增长预测精度下降的问题.     

基于数据分割和集成学习的大规模SVM分类算法

支持向量机对分类问题的求解过程相当于解一个线性约束的二次规划问题,求解的变量个数与训练样本数相等,且需要计算和存储的核矩阵大小与训练样本数的平方相关.随着样本数目的增多,经典的求解二次规划问题的算法不再适用.针对大规模二分类问题,基于数据分割和集成学习策略,本文提出了一种快速支持向量机学习算法.其主要思想是:首先对数据集进行预处理,自动将正负类分别聚成若干子簇;然后对两两组合的正负子簇用SMO算法进行交叉学习,得到多个基本分类器;最后对这些基本分类器进行集成学习.在UCI的5个数据集上的实验表明,与SMO学习算法相比,这种基于数据分割的训练策略在精度几乎没有损失的情况下显著地提高了训练速度.     

区域进化自适应高精度区域增长图像分割算法

为克服经典区域增长算法中门限选择困难、分割稳定性不高与串行处理速度慢的不足,提出基于区域进化的自适应高精度区域增长图像分割算法。在图像预处理过程中,首先通过各向异性滤波算法对切片进行滤波,达到去除图像噪声同时避免对边界区域的模糊;然后引入了新的区域能量表示模型,并给出了迭代进化形式,在区域增长过程中,逐渐增加区域增长的门限,通过对能量函数的动态优化来逼近最佳分割结果;最后利用主动轮廓模型进行精度分割,得到精确而比较光滑的分割目标轮廓。对比实验表明提出的方法是合理有效的。     

基于极限学习机和boosting多核学习的目标跟踪算法

如何构造鲁棒的分类器一直是基于判别式的目标跟踪算法研究的热点,近些年多核学习通过线性组合多个核分类器达到了更好的分类性能,受到了广泛的关注。传统的多核学习需要解复杂的最优化问题,很难直接应用到目标跟踪中,因此提出一种基于boosting学习框架的多核学习算法,使目标跟踪在复杂场景下可以保持跟踪的实时性和准确性。为了进一步减少计算量和提升分类性能,采用极限学习机(extreme learning machine,ELM)作为基分类器,ELM结构简单,训练速度非常快,并且比支持向量机有更好的泛化能力。最后,将本文算法与其他先进的跟踪算法在多个公开视频序列中进行比较,验证了本文算法性能的有效性。     

尺度自适应的多模型压缩跟踪算法

为了对复杂环境中的目标进行长时间的精确跟踪,在压缩跟踪算法的基础上提出一种尺度自适应的多模型压缩跟踪算法。该算法首先利用离线学习获得目标的尺度约束集,建立目标的多尺度模型,实现尺度的自适应选择;其次,利用随机投影矩阵对多尺度图像特征进行降维,减少算法计算量;最后,利用多模型分类器在线学习训练朴素贝叶斯分类器实现目标跟踪。实验结果表明,本文算法在跟踪尺度变化的目标和外观变化的目标时,跟踪性能有了较大改善,虽然处理时间有一定程度的增加但仍满足实时性的要求。     

多项式光滑的半监督支持向量分类机

为了处理半监督支持向量分类优化中的非凸非光滑问题,引入一族多项式光滑函数来逼近非凸的目标函数,给出的多项式函数在样本的高密度区逼近精度高,逼近精度低时出现在样本的低密度区,同时可以根据不同的精度要求选择不同的逼近函数.采用BFGS算法求解模型.在人工数据和UCI数据集上的实验结果显示,算法不仅能保证标号数据很少时的分类精度,而且不因标号数据的增多而明显提高分类性能,因此给出的分类器性能是稳定的.     

基于模糊C均值的支持向量机数据分类识别

提出一种基于模糊C均值的支持向量机分类算法，通过模糊C均值算法对未知类别数据进行划分，然后再利用支持向量行对划分后的数据机进训练。解决了以往人们应用支持向量机进行数据分类识别前必须采用已知类别的数据对支持向量机进行训练的弊端，提高了数据分类的效率。     

Multiple Classifiers Hybrid Combination For Companies' Financial Distress Prediction

In order to control uncertainty and instability of single classifiers in financial distress prediction, this research proposed a multiple classifiers hybrid combination model for financial distress prediction. This model improves predictive performance by the combination of multiple classifiers and taking advantages of serial combination and parallel combination. Diversity principle and individual optimization principle were taken as criteria for classifier selection. On the foundation of defining selection operator for class's best classifier, algorithm for constructing basic modules in hybrid combination, dynamic weighting mechanism for parallel modules inside hybrid combination, and mechanism of majority voting were designed. Empirical research with data from Chinese listed companies indicates that the model improves average predictive accuracy and simultaneously reduces variation degree. Statistical analysis demonstrates that the hybrid combination model outperforms existing single classifiers in financial distress prediction significantly.     

基于SVM与Mean-Shift的非刚性目标跟踪框架

针对动态背景下,序列图像中的非刚性目标跟踪问题,提出了一种基于支持向量机(support vector machine,SVM)和均值移动(Mean-Shift)的序列图像目标跟踪框架。在初始图像中选择跟踪目标所处的矩形框,将目标框周围一定范围的像素作为背景。以目标和背景数据训练SVM二值分类器。运用得到的分类器对下一帧图像相同区域内的像素分类,得到二值的置信图(confidence map),在置信图范围内运用Mean-Shift算法求得当前目标位置,移动目标框和背景框的中心到目标位置,以10%的比例缩放目标框并选择最优者以适应目标尺度变化。以此时的目标像素和背景像素训练新的SVM分类器,进行下一幅图像的跟踪,直至完成整个序列图像跟踪任务。实验证明,该方法适用于动态背景及非刚性目标的跟踪,且实时性较好。     

基于Markov blanket和互信息的集成特征选择算法

针对大量无关和冗余特征的存在可能降低分类器性能的问题,提出一种基于近似Markov blanket和动态互信息的特征选择算法并将其应用于集成学习,进而得到一种集成特征选择算法。该集成特征选择算法运用Bagging方法结合提出的特征选择方法生成基分类器,并引入基分类器差异度进行选择性集成,最后用加权投票法融合所选基分类器的识别结果。通过仿真实验验证算法的有效性,以支持向量机(support vector machine, SVM)为分类器,在公共数据集UCI上进行试验,并与单SVM及经典的Bagging集成算法和特征Bagging集成算法进行对比。实验结果显示,该方法可获得较高的分类精度。