基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.     

面向新闻的情感关键句抽取与判定

情感倾向的分析已经成为当前研究的热点.面向新闻的情感关键句抽取与判定主要运用的技术有对文本进行预处理、计算文本中词项权重、提取情感关键句、用SVM分类器对情感关键句进行情感倾向性分析.实验结果表明:JXNUIIP系统对情感关键句提取问题有良好的效果.     

基于多特征融合的中文评论情感分类算法

为解决情感分类中词间的语义关系难以表达和分析的问题,提出了一种基于词向量(word representation)和支持向量机(support vector machine)的情感分类算法,对电子商务在线评论的情感分类问题进行研究.首先使用word2vec聚类相似特征,然后使用word2vec和SVM对情感数据进行训练和分类,并分别使用基于词特征和基于词性标注的方法进行特征选择.在京东评论数据上进行的实验结果表明,与现有方法相比,分类准确率和召回率得到了提高.     

数控机床力-几何误差的PSO-SVM建模

为了提高数控机床几何误差建模精度,改进补偿效果,先用测力环等仪器模拟施加并测量机床主切削力,再用激光干涉仪同步测量机床俯仰角和偏摆角误差. 根据粒子群优化算法(particle swarm optimization,PSO)优化支持向量机(support vector machine, SVM)的相应参数,并以实际测量数据进行训练,从而建立
了PSO-SVM力-几何误差预测模型. 实际试验表明,PSO-SVM误差预测模型输出的偏摆角误差预测值与实测数据的最大差值仅为0.6 μrad,俯仰角误差预测值与实测数据的最大差值仅为0.21 μrad,远小于利用BP神经网络以及常规方法优化的SVM所建立的力-几何误差预测模型的误差,因此该模型可用于数控机床几何误差的高精度实时补偿.     

时滞不确定系统的支持向量机滑模控制

针对一类具有不确定性参数和状态时滞的系统,利用线性矩阵不等式(LMI)方法设计了滑模控制器,并且针对系统的不确定性,引入支持向量机(SVM)对其进行在线学习,获得不确定性部分的上界值,保证了系统的稳定性与鲁棒性,有效地降低了滑模控制固有的抖振现象,改善了系统的控制品质。仿真研究表明了此方法的可行性与有效性。     

基于后验概率SVM的交通标志识别研究

在无人车交通标志识别系统中,以传统的神经网络算法或标准的支持向量机算法(SVM)设计的分类器,只能反映样本是否属于某类而不能确定样本属于某类的可信度,提出一种后验概率SVM交通标志识别方法。首先对检测与跟踪得到的交通标志大概区域图像进行彩色分割以精确定位交通标志区域,然后采用最大类间方差法分割交通标志的内部图案,最后将分割的结果进行大小归一化作为交通标志的特征图像以训练分类器和进行识别。实验结果表明,基于后验概率SVM的交通标志识别系统在复杂的室外环境下具有很强的鲁棒性和可行性。     

基于Fisher准则的SVM参数选择算法

支持向量机(support vector machine,SVM)分类性能主要受到SVM模型选择(包括核函数的选择和参数的选取)的影响,目前SVM模型参数选择的方法并不能较好地确定模型参数。为此基于Fisher准则提出了SVM参数选择算法。该算法利用样本在特征空间中的类别间的线性可分离性,结合梯度下降算法进行参数寻优,并基于Matlab实现选择算法。实验结果表明参数选择算法既提高了SVM训练性能,又大大减少了训练时间。     

基于LS-SVM的棉针织物染色上染率模型的研究

针对棉针织物染色上染率建模中存在非线性建模困难及预测精度不高等问题,结合棉针织物的染色机理,基于最小二乘支持向量机(LS-SVM)建立上染率模型并进行预测.将提出的方法与BP神经网络法进行比较,试验结果表明前者具有更高的预测精度,验证了LS-SVM对织物染色上染率预测建模是一种可行而有效的方法.     

基于支持向量机的不锈钢冷轧薄板力学性能的预测模型

介绍了支持向量机(SVM)技术中的支持向量机回归模型原理,建立了不锈钢冷轧薄板力学性能预测模型.结果表明,随着训练样本的增加,模型的预测精度也得到提高.证明应用支持向量机构建不锈钢冷轧薄板力学性能预测的数学模型,能较好地解决小样本和模型预测精度间的矛盾,具有较强的泛化能力.     

Recognition of Chinese Organization Name Using Co-training

Chinese organization name recognition is hard and important in natural language processing. To reduce tagged corpus and use untagged corpus, we presented combing Co-trainins with support vector machines (SVM) and conditional random fields (CRF) to improve recognition results. Based on principles of uncorrelated and compatible, we constructed different classifiers from different views within SVM or CRF alone and combination of these two models. And we modified a heuristic untagged samples selection algorithm to reduce time complexity. Experimental results show that under the same tagged data, Co-training has 10% F-measure higher than using SVM or CRF alone; under the same F-measure, Co-training saves at most 70% of tagged data to achieve the same performance.