关于拟常曲率黎曼空间的循环超曲面

给出拟常曲率空间Ｎ中循环超曲面Ｍ局部对称的一个充要条件，并且证明若拟常曲率空间Ｎ的生成元是其完备不可约双循环超曲面Ｍ的法向量或切向量，则Ｍ是循环的。     

n阶线性时变系统的渐近稳定性

通过构造向量Liapunov函数,建立了保证n阶线性时变系统dx／dt=A（t）x零解渐近稳定的充分条件．     

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。     

欧氏空间上的随机覆盖及其应用

运用Borel—Cantelli引理，改进并推广了Jean-Pierre Kahane在单位圆周上关于随机覆盖的结果，得到了在高维欧氏空间上关于随机覆盖的类似结果。且运用这些结果研究了多指标复Fourier-Redemacher级数与某些函数空间的关系，得到了多指标复Fourier—Redemacher级数几乎处处属于L^∞及几乎处处属于C的等价性。     

基于PCA及聚类技术的支持向量机分类器设计

提出了一种新的支持向量机分类器的设计方法，该方法利用主成分分析（PCA）及聚类技术在原问题空间中求解，减少了支持向量机分类器中支持向量的维数，且将原问题空间与特征空间中的问题归结为同一类的设计问题。     

降低OFDM系统复杂度的改进SLM算法

为了降低正交频分复用(OFDM)系统中传统选择性映射(SLM)算法的计算复杂度,提高系统的频谱利用效率,提出了基于转换向量(conversion vectors)与随机筛选序列(random selection sequences)相结合的选择性映射(CR-SLM)算法.CR-SLM算法是将原始信号序列等分,然后对于数据序列的前半部分与转换向量相乘进行循环卷积,对于数据序列后半部分进行随机序列筛选,筛选出最优序列.最后将两部分输出序列合并生成候选序列,筛选出最优序列进行传输.仿真结果表明:CR-SLM算法在保持与传统SLM 算法PAPR性能相近的情况下,较大幅度降低了计算复杂度.     

基于小波变换和支持向量机的人脸识别研究

人脸识别是机器视觉、模式识别等领域的研究热点,具有广阔的应用前景.文章利用小波变换对人脸图像进行预处理,减少表情变化对人脸识别的影响;根据PCA法,将处理后的人脸图像映射到相互正交的特征脸坐标轴上,实现了特征降维;利用支持向量机分类模型对人脸图像在特征脸坐标轴上的投影向量进行识别,并在ORL和Yale人脸库上进行实验,...     

基于SVM预测的金融主题爬虫

随着Internet上信息的爆炸,利用通用搜索引擎检索用户相关的信息变得越来越困难,而主题爬虫成为WEB上检索主题相关信息的重要工具。目前大部分基于分类器预测的主题爬虫的训练数据是不同类别网页的内容,但是在实际预测过程只能根据父网页中的一些链接信息进行预测,所以造成主题爬虫的预测的准确率较低。本文使用SVM分类器对标注了类别的URL以及上下文和锚文本进行训练,并分别使用了DF和信息增益两种不同的特征选择方法进行特征筛选,对影响分类器的各种因素进行了实验对比,并对分类器进行了在线的实验.实验证明这种方法在实际预测过程中效率很高。     

基于支持向量机的三峡工程丰都县水库库岸稳定性评价

为了评价三峡库区丰都县库岸稳定性问题,采用支持向量机方法,对库岸稳定性进行非线性研究。结果表明:支持向量机经过对整个输入模型进行训练学习检验,然后进行知识发现数据挖掘,找到一个能够把握全局的非线性评价模型。支持向量机评价结果与传统的公式法计算结果基本一致,和地质调查的情况基本相符,而且支持向量机评价结果精度更高。支持向量机较为理想的反映输入因素和输出结果之间复杂的映射关系。其评价结果,具有较好的科学性和实用性。     

基于小波变换和支持向量机的心电信号ST段分类

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。