模糊均值聚类和最小二乘支持向量机相融合在遥感图像分类中的应用

为了提高遥感图像分类精度,提出一种模糊均值聚类(FCM)和最小二乘支持向量机(LSSVM)相融合的遥感图像分类方法(FCM-LSSVM).首先对遥感图像样本进行模糊均值聚类,得到隶属度矩阵,然后根据隶属度矩阵选择遥感图像的训练样本,最后将训练样本输入到最小二乘支持向量机进行学习,并采用粒子群优化最小二乘支持向量机参数,建立遥感图像分类模型.通过仿真实验对算法性能进行测试,结果表明FCM-LSSVM提高了遥感图像分类效率和分类精度.     

基于自适应LS-SVM的柴油机进排气系统故障诊断

 提出了应用自适应最小二乘支持向量机和小波包能量特征的柴油机进排气系统故障诊断方法。对气门间隙异常、气阀漏气等几种常见故障和系统正常运行进行小波包分解,提取频带能量作为支持向量机的输入特征向量;然后,利用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行故障分类和识别。对比实验表明,与BP神经网络和采用交叉验证的传统最小二乘支持向量机相比,该方法可克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,提高了传统最小二乘支持向量机算法的寻优速度,在样本数较小时仍可取得较好的效果,能有效诊断柴油机进排气系统故障。     

基于最小二乘支持向量机的人脸识别算法

通过计算机对人脸进行分析,从而确定身份的技术统称为人脸识别,其具体内容包括图像预处理、特征选择和提取、分类。首先介绍了支持向量机和最小二乘支持向量机的基本思想和数学模型,推导了最小二乘支持向量机的算法步骤,在对人脸图像进行预处理的基础上,采用奇异值分解扩展算法提取人脸特征,然后再采用上述算法对人脸图像进行分类。通过实验可知本文中的算法可以对人脸图像进行有效分类,对解决小样本分类问题是有效的、可行的。     

基于最小二乘支持向量机的脑电信号分类

研究了基于运动想象脑电信号对大脑的想象运动状态进行分类识别的问题.根据事件相关同步和事件相关去同步现象识别出被试的想象运动状态,通过频带能量特征提取方法获得了想象左右手运动时的脑电信号特征,使用最小二乘支持向量机对提取到的频带能量特征进行分类.结果表明,使用最小二乘支持向量机可以对运动想象脑电信号的频带能量特征进行有效分类,分类正确率达到92%,其分类效果与使用标准支持向量机相当,但在计算速度上更有优势.     

基于自适应多分类最小二乘支持向量机的大学生就业预测

建立了大学生就业预测的参数自适应的多分类最小二乘支持向量机模型。与一对多、一对一和ECOC分类方法相比,基于M-ary分类方法的最小二乘支持向量机只需较少的支持向量就能达到较高的预测精度。     

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.     

基于多特征融合的实时单目标追踪算法

针对实时单目标追踪问题,利用双边加权最小二乘模糊支持向量机,提出了基于多特征融合的实时追踪算法.在所提出的算法中,首先利用局部HOG特征和全局颜色特征分别训练双边加权最小二乘模糊支持向量机,然后利用两个分类器的线性组合实现目标追踪.针对基于局部HOG特征的分类器,利用基于多个基样本的相关滤波算法克服矩阵求逆.针对基于全局颜色特征的分类器,利用独热编码对特征进行编码实现快速计算.在公开数据集上的实验结果表明:与已有的高性能单目标追踪算法相比,所提出的算法在形变、快速运动、运动模糊等多个方面均表现出了更优的追踪性能.     

基于LSSVM和D-S的遥感图像分类方法

为了提高遥感图像的识别率,提出一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和证据理论(Dempster-Shafer theory,D-S)的遥感图像分类方法.该方法首先分别提取遥感图像的纹理和颜色特征,然后分别对纹理和颜色特征采用LSSVM建立分类模型,并得到相应特征的分类率,最后把单一特征分类正确率输入到D-S证据理论对它们进行融合,从而得到它们的权值,并根据权值得到遥感图像的最终分类结果.仿真结果表明,该方法不仅提高了遥感图像的分类率,而且还加快了遥感图像分类的速度,从而使得该方法在地理信息系统具有一定的应用价值.     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达.以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比.结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度.     

基于机器学习的低分辨率图像增强和细节匹配方法研究

当前低分辨率图像增强和细节匹配方法具有细节易丢失、边缘模糊、无法适应图像平移、旋转等变化的弊端,导致图像增强与细节匹配性能低下。为此,提出一种新的基于机器学习的低分辨率图像增强和细节匹配方法,通过建立一个间隔最大的超平面获取最小二乘支持向量机分类器。在待处理低分辨率图像中选择一块图像,将图像的每个3×3邻域像素看作一个训练样本,通过最小二乘支持向量机法对其进行训练,输出增强像素点。通过复数小波对图像特征进行描述,利用最小二乘支持向量机获取最优判定准则函数,输出最优匹配的目标子图像。实验结果表明,所提方法有很高的峰值信噪比、边缘保持指数和等效视数,很低的归一化均方误差、均值和方差,整体性能优。     

直觉模糊最小二乘支持向量机

将直觉模糊集的相关理论引入到最小二乘支持向量机中, 建立了直觉模糊最小二乘支持向量机的数学模型, 并对模型的求解过程进行推导. 为验证该算法的有效性, 在人工数据集和标准数据集上进行仿真实验. 实验结果表明, 直觉模糊最小二乘支持向量机算法可降低分类时样本中噪声和野点对分类效果的影响.     

基于无字典模型的红外与可见光图像融合分类

针对传统图像分类识别方法采用单一传感器获得图像存在的局限和不足,提出了一种基于红外和可见光融合的分类算法。首先分别对红外图像和可见光图像提取密集型尺度不变特征变换（D-SIFT）,然后采用无字典模型（CLM）变换,并利用空间金字塔匹配（SPM）进行精细划分,最后用混合核支持向量机（SVM-CK）方式将红外和可见光在特征级融合并分类。在VAIS和RGB-NIR两个数据库上对该方法进行验证,融合后分类精度分别比单一图像源均有较大提高;与BoVW方法比较,精度分别提高了4.7%和12.1%。证明多数据源融合的方法综合了红外和可见光各自成像的优势,使获得的特征信息更完善,分类效果显著高于单一数据源的分类结果。     

基于支持向量机的车型分类的设计

基于支持向量机的车型分类的设计思路是通过视频采集获得车辆图像,对车辆图像进行图像预处理和特征提取后,得到分类器所需数据特征,而后采用支持向量机和二元决策树对车型分类。采用三个支持向量机的分类器和二元决策树相结合对特征数据进行分类识别,最终实现了车型分类。通过利用Libsvm(SVM模式识别与回归的软件)进行实验,取得了较好的分类效果。     

一种基于最小二乘支持向量机的葡萄酒品质评判模型

对源自UCI数据库的葡萄酒数据进行预处理,选取径向基函数作为最小二乘支持向量机的核函数;然后,根据"一对一"算法设计出最小二乘支持向量机多元分类器,并应用交叉验证算法对参数寻优,建立葡萄酒质量评判模型.同时,用BP神经网络、标准支持向量机分类器对葡萄酒进行训练.对比实验结果表明:最小二乘支持向量机比BP神经网络、标准支持向量机的平均分类准确率高,最高分类准确率为100%.     

LS-WTSVM的遥感多光谱影像云检测

研究基于最小二乘小波孪生支持向量机(least squares wavelet twin support vector machines,简称LS-WTSVM)的遥感多光谱影像云检测.首先根据云在不同波段中大气的辐射特点,结合Landsat7 ETM+影像数据的光谱特性获得云像元的光谱特征,再通过提取每个图像块的灰度共生矩阵得到相应像元的纹理结构特征,根据像元的光谱特性和纹理结构特征构造特征向量,最后利用最小二乘小波孪生支持向量机多分类算法进行Landsat7 ETM+影像像元的云检测,实现不同类型云区的多分类识别.仿真实验结果表明,该算法能准确地检测出多光谱影像中的厚云和薄云.     

加权最小二乘支持向量机与最小二乘问题的关系

研究了加权最小二乘支持向量机与最小二乘法的关系．证明了用加权最小二乘支持向量机作函数估计与在特征空间中用最小二乘法得到的解是一致的．加权最小二乘支持向量机选择核相当于最小二乘法选择基函数组．由此提出了采用加权最小二乘支持向量机解决最小二乘法问题的思想,保证解具有良好的推广性、鲁棒性与稀疏性．     

基于最小二乘支持向量机的膨胀土判别与分类

膨胀土在我国分布广泛,对工程影响巨大,如何对其进行判别一直是岩土工程中一项重要的工作.现有的膨胀土判别与分类方法,大多仅以简单的双变量分析为依据.所选取的判别指标大多具有相同信息.针对于此,提出两种方法对膨胀土进行分类,第一种是从胀缩机理出发,采用逐步回归分析选取能够表征膨胀土的6项独立指标,再利用最小二乘支持向量机进行分类;第二种是对全部指标进行分类.结果表明最小二乘支持向量机在两种情况下都能对膨胀土进行准确的分类,也证明了最小二乘支持向量机功能的强大性.     

基于全局优化支持向量机的多类别高炉故障诊断

针对高炉故障诊断系统快速性和准确性的要求,提出基于全局优化最小二乘支持向量机的策略.首先,采用变尺度离散粒子群对最小二乘支持向量机的参数和故障特征的选取进行优化;然后,利用核主元分析法对选取的特征向量进行压缩整理;最后,构造了以Fisher线性判别率为标准的启发式纠错输出编码.仿真结果表明,通过对故障训练样本有意义地分割重组,用较少的最小二乘支持向量机分类器,得到较高的故障判断准确率且增强了整个系统的实时性.     

基于机器学习的低分辨率图像增强和细节匹配方法

当前低分辨率图像增强和细节匹配方法具有细节易丢失、边缘模糊、无法适应图像平移、旋转等变化的弊端,导致图像增强与细节匹配性能低下。为此,提出一种新的基于机器学习的低分辨率图像增强和细节匹配方法。通过建立一个间隔最大的超平面获取最小二乘支持向量机分类器。在待处理低分辨率图像中选择一块图像,将图像的每个3×3邻域像素看作一个训练样本,通过最小二乘支持向量机法对其进行训练,输出增强像素点。通过复数小波对图像特征进行描述,利用最小二乘支持向量机获取最优判定准则函数,输出最优匹配的目标子图像。实验结果表明,所提方法有很高的峰值信噪比、边缘保持指数和等效视数,很低的归一化均方误差、均值和方差,整体性能优。     

最小二乘支持向量机的理论及应用研究

介绍了支持向量机(SVM)的数学原理和最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)的数学原理与应用研究。在支持向量机中采用的是二次规划方法,而最小二乘支持向量机则用最小二乘线性系统作为损失函数从而取代它,这样就利用等式约束的方法取代了不等式约束,最终演变为对线性方程组的求解,使求解的速度得到提高,求解的收敛精度得到提升。将最小二乘支持向量机与偏最小二乘法、标准支持向量机进行了对比。最终表明,LS-SVM计算结果更准确,更简单,内存的占有量也较少,计算时间短,耗时少,是一个很有应用价值的研究方向。