基于SVM的多特征图像隐秘分析

文章通过分析研究隐秘图像和正常图像小波子带系数高频部分的统计特征,从纹理统计矩、DCT系数直方图矩和上下文块之间的相关性方面来提取特征,组成特征向量,并采用SVM方法进行分类,实现了一种从不同类型、不同角度提取多个特征的图像隐秘分析算法,解决了现有通用性隐秘分析算法特征提取不足的问题。实验结果表明,这是一种有效的、高精度的及通用性的检测方法。     

基于二维离散小波的生成图像鉴别方法

针对传统基于神经网络的计算机生成图像鉴别方法中存在鉴别难度大和准确率低的问题, 提出一种采用基于小波变换的计算机生成图像鉴别方法. 首先在进行图像多维小波特征提取时, 通过一次分解二维离散小波变换提取图像小波特征, 根据图像小波特征进行n级小波分解提取图像多维小波特征向量; 然后通过三维变换域波去噪算法（BM3D）提取计算机生成图像噪声特征; 最后采用支持向量机(SVM)分类器对计算机生成图像进行鉴别, 通过SVM分类器对图像多维小波特征和噪声特征进行分类, 以解决两种特征融合形成线性不可分的高维特征问题, 从而实现计算机生成图像的准确鉴别. 实验结果表明, 该方法在鉴别计算机生成图像时具有更高的准确性和稳定性.     

支持向量机在矿渣-粉煤灰混凝土强度预测中的应用

为了更好地预测矿渣-粉煤灰混凝土强度,选择水胶比、取代率、灰渣比、减水剂、砂率和激发剂作为预测参数,建立了矿渣-粉煤灰混凝土强度预测的支持向量机模型。根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,对矿渣-粉煤灰混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法,为预测混凝土强度提供了一种新的方法。     

基于Multi-Agent技术的三层信息融合系统研究

针对传统传感器网络管理复杂,系统信息融合智能化不高、精度低和模式单一、结构不清晰等不足,首先分析了Multi-Agent技术、传感器网络技术以及信息融合技术的独特优势,然后采用计算机网络分层结构思想和基于人工智能本体的知识表达理念,在信息融合过程中采用改进的SVM分类方法,构建了一种基于Multi-Agent技术的多传感器三层信息融合系统并对其具体融合过程进行了分析。最后对分类过程用MATLAB进行了分析。实验结果表明:系统分类精度较高,一定程度上不仅明显弥补了传统传感器的诸多不足,而且为后期决策提供了较为精准的目标参数。     

集群SVM大规模数据分类算法

为了提高SVM在大规模数据集上的训练效率和检测精度,对训练数据预处理后进行无监督聚类,通过一定规则选取对训练SVM有用的样本向量,并结合改进的AdaBoost算法来增强SVM在大规模数据的分类和泛化能力,最后通过Kdd Cup 99数据进行实验验证算法性能.     

基于GA-SVM模型的虹膜质量评估方法

针对虹膜图像质量评价过程中存在的如何选取适量的评价因子、 如何降低评价因子的计算量、 如何对评价因子进行有效融合等问题, 提出一种基于遗传算法支持向量机（GA-SVM）模型和多测度评价指标的虹膜图像质量评估方法. 首先对虹膜图像进行清晰度质量评价, 粗略筛除模糊图像; 然后选用4个评价指标, 利用GA-SVM模型对评价指标值进行有效融合, 以综合评价虹膜图像质量; 最后将该方法在吉林大学第六代虹膜库中进行验证, 并与其他经典评价方法进行对比. 实验结果表明, 该方法能提高可用虹膜存活率, 并达到较好的识别精度, 同时提升系统运行速度.     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

特征筛选对脑-机接口信号单次提取精度的影响

脑-之机接口的核心问题之一是通信载体信号的单次提取．在构建脑控拼写器的过程中，通过“模拟自然阅读”诱发模式产生的视觉诱发电位作为人脑与计算机之间的通信载体，采用支持向量机方法进行特征信号的单次识别．为提高识别精度，详细研究了信号时程、时段的选择对模式识别精度的影响．结果表明，信号时程越长分类精度越高，时程达到300ms时，分类精度就可达到最大值（且趋于饱和）；信号时段的选择对分类精度亦有较大影响，最佳时段在靶刺激出现后约250～350ms作为起始处．这一结果为提高系统的整体速度与精度打下了基础．     

Hybrid SVM／HMM Method for Face Recognition

A face recognition system based on Support Vector Machine(SVM) and Hidden Markov Model (HMM) has been proposed. The powerful discriminative ability of SVM is combined with the temporal modeling ability of HMM. The output of SVM is moderated to be probability output, which replaces the Mixture of Gauss (MOG) in HMM. Wavelet transformation is used to extract observation vector, which reduces the data dimension and improves the robustness.The hybrid system is compared with pure HMM face recognition method based on ORL face database and Yale face database. Experiments results show that the hybrid method has better performance.     

基于Fisher权重改进的OB场景分类方法

目标库(object bank,OB)方法是一种使用了高水平语义特征的场景分类方法。针对OB方法使用过高维数的特征向量来表征图像的缺点,提出一种基于Fisher权重改进的OB方法。通过对没有进行空间金字塔处理的OB方法中的低维特征向量加以Fisher权重,使得新得到的特征向量具有极大化类间数据差异并且极小化类内数据差异的性质。实验表明,该方法与OB方法相比在分类效率上提高了10倍以上,并在分类的准确率上提高了3%左右。