基于改进鲸鱼算法优化SVM参数和特征选择

针对传统支持向量机（SVM）在数据分类方面准确率识别较低的问题,提出了一种改进鲸鱼优化算法同步优化SVM的特征选择模型。首先,利用Levy飞行策略对鲸鱼优化算法的螺旋更新位置进行变异扰动,利用单纯形策略中的反射操作对种群中的精英个体进行反射点求解的改进,标准函数的测试结果证明其改进能有效提高算法的收敛速度和计算精度;其次,将SVM核参数和特征选择目标作为共同优化对象,在获得最优核参数的同时得到相对应的最优特征子集;最后,对UCI标准数据集和真实乳腺癌数据集进行特征选择仿真实验,在平均分类准确率、平均适应度值、适应度标准差和所选特征个数上进行评价。结果表明,本文算法在降低特征维度,实现数据分类上效果明显。在真实乳腺癌数据集上的分类精度与传统支持向量机相比提高了11.053%。     

基于Mutual Boost和支持向量机的表情识别

主要研究自动人脸表情识别（FER）,首先使用Gabor算法提取人脸图像的特征,再针对Gabor特征维数高、冗余大及利用传统的AdaBoost算法进行特征选择时特征间仍存在较大冗余的特点,引入了基于互信息的AdaBoost算法（MutualBoost）进行特征选择,降低特征维数和减少特征间的冗余信息量。然后再以SVM分类器进行分类。本算法在JAFFE表情库上进行测试,结果验证了算法的有效性。     

基于ADASYN与AdaBoostSVM相结合的不平衡分类算法

对于平衡数据集支持向量机(support vector machine,SVM)通常具有很好的分类性能和泛化能力,然而对于不平衡数据集,SVM只能得到次优结果,针对该问题提出了一种基于SVM的AS-Ada Boost SVM分类算法.首先,通过使用ADASYN采样,提高少类样本在边界区域的密度;然后,使用基于径向基核支持向量机(radial basis function kernel mapping support vector machine,RBFSVM)模型弱分类器的Ada Boost SVM算法训练得到决策分类器.通过将该算法在各种不平衡数据集上的测试结果与单纯运用ADASYN技术、Ada Boost SVM、SMOTEBoost等其他分类器进行比较,验证了该算法的有效性和鲁棒性.     

基于SVM的车牌字符识别算法研究

SVM可在训练样本很少的情况下获得很好的分类推广能力。首先分析了用多类SVM算法对车牌中的字符进行识别时存在不可区分的区域问题和采用模糊SVM算法解决该问题的办法,然后讨论了字符特征的提取方法,并根据我国车牌字符的特点分别设计了汉字、字母、数字、字母／数字4个基于模糊多类SVM的字符分类器。最后在MATLAB环境下,采用径向基核函数对算法进行学习训练。实验测试结果表明,该方法可以很好的提高字符识别的速率和效率。     

基于SVM特征选择的整经轴数预测算法

提出了一种基于改进支持向量机（SVM）特征选择算法及神经网络的整经轴数预测算法,该算法采用改进SVM算法选择影响整经轴数的关键特征,在此基础上利用前馈神经网络获得整经轴数的预测值. 在数值计算及实际制造企业的应用效果表明该算法有效,能满足实际棉纺生产过程整经轴数预测的需要.     

不变矩混合核支持向量机的肺结节识别

在形态学特征、灰度特征和纹理特征的13维特征基础上,加入7种不变矩特征来刻画肺结节,采用混合核SVM算法对肺结节进行识别。首先,从CT图像中提取270个包含190个假阳和80个结节的感兴趣区域(ROI),计算ROI的20维特征,然后进行5折交叉验证。最后用混合核SVM算法进行识别。结果表明,混合核SVM算法的准确度(ACC)指标达到94.80%,敏感度(SEN)指标达到87.00%。     

基于领域特征词的突发事件层次分类方法

突发事件类别众多,若采用传统的平面文本分类方法对突发事件分类,模型训练所需计算量剧增,并且对测试文本分类时要和全部分类器进行比较,导致极大的时间开销。根据突发事件类别体系结构层次性特点,提出了一种基于领域特征词的突发事件层次分类方法,将领域特征词自动提取算法用于特征选择,并在每个分类平面上采用改进的基于二叉树的SVM多类分类算法构建分类器。实验证明,基于领域特征词提取算法的特征选择方法优于传统方法,采用层次分类方法对突发事件分类,降低了时间复杂度,同时改善了分类效果,有效降低了错误分类的风险。     

基于遗传算法与经验误差最小化的SVM模型选择方法

支持向量机（SVM）的推广能力依赖于核函数形式及核参数和惩罚因子的选取,即模型选择.在分析参数对分类器识别精度的影响基础上,提出了基于遗传算法和经验误差最小化的支持向量机参数选择方法.在13个UC I数据集上的实验表明了本文算法的正确性与有效性,且具有良好的推广性能.     

基于KSVM决策树法的人脸检测与定位

传统的SVM直接在线性条件下训练SVM分类器完成人脸与非人脸的分类,分类器训练困难,计算量大且速度慢.为构造一个复杂背景下人脸检测与定位的新方法,本文用核函数把SVM推广到非线性SVM,再与二叉树相结合,可以解决多类识别问题,此即KSVM决策树人脸检测方法.在此基础上,人脸面部特征被进一步确认.本文提出了改进的四边界Prewitt边缘算子提取人眼,进而定位五官.实验结果表明该方法检测率较高,虚警率较低,定位准确.     

用支持向量机方法识别大肠杆菌启动子

为了进一步研究大肠杆菌启动子的识别算法,结合大肠杆菌基因分子生物学的有关理论,利用支持向量机(support vector machine,SVM)方法对启动子进行了识别.根据启动子的序列保守性,从每个启动子样本中选取了长65bases的序列作为正样本,从大肠杆菌编码区选取相应长度的序列作为负样本,建立了基于支持向量机的分类器;并讨论了应用SVM方法时,核函数参数的选择问题.实验结果表明,基于支持向量机的识别方法能更好地提取启动子保守序列的统计特征,正样本和负样本的相关系数可以达到81.62％.     

基于MAP和RF的无监督SAR图像变化检测

基于形态学属性断面(MAP)和随机森林(RF)分类器,提出了无监督合成孔径雷达(SAR)图像变化检测方法.首先,利用MAP算法提取差异图像的几何结构特征,构造深入描述图像结构化信息的特征向量空间;然后,在结合阈值法和偏移因子自动选取训练样本的基础上,用RF分类器在多维特征空间中对图像进行变化与否的判别;最后,利用数学形态学方法对虚警进行滤除.实验结果表明,与传统的基于阈值的变化检测方法相比,该方法不仅能很好地检测出变化区域,而且具有更高的检测精度.     

铣削颤振特征提取的小波包和主成分分析方法

设计用振动信号来监控加工过程。提出了一种基于小波包变换的颤振特征提取方法,通过所提取的特征小波包来反映加工过程中的颤振信息。在此基础上,基于主成分分析方法对特征小波包进行重构,由主成份得分（累积贡献率）来评价重构特征,并实现了重构特征自动提取,更进一步给出了重构特征总体的统一构造形式,并基于欧氏距离法,建立了颤振的诊断模型。通过对铣削加工过程中的颤振识别,验证了文中提出的方法的可行性。     

一种基于K2结构学习算法的石漠化数据特征选择方法

在石漠化信息的分类和提取过程中,冗余特征的存在影响分类器的性能,同时增加计算的复杂度。提出一种基于K2结构学习算法的石漠化数据特征选择方法,该方法通过BIC评分方法得到贝叶斯网络的结构,从中获得类节点的马尔可夫覆盖,继而进行特征选择。同时借用不同评分函数的等价性来确定结构学习时所需的样本数,并且给出了样本数的参考。实验表明,该方法由于结合了样本的分类信息,获得的特征子集是最优的,显著提高了分类精度,降低了计算复杂度。     

一种基于条件熵的特征选择算法

特征选择是一种处理维数约简的有效方法。以条件熵为特征子集评价条件,采用随机搜索和启发式搜索相结合的搜索策略,设计了一种新的特征选择方法。该方法不仅能够求得经典启发式特征选择方法的选到特征子集,还可以得到一些与其不同的满足条件特征子集,同时在多数情况下可以减少时间消耗。实验研究表明了提出的算法的有效性。     

基于SVM的灵敏度分析方法选取肿瘤特征基因

提出基于支持向量机的灵敏度分析方法选取结肠癌特征基因.用支持向量机分析基因对分类决策函数的灵敏度,递归去除灵敏度较低的若干基因,得到一组候选特征基因子集;以支持向量机为分类工具,检验候选特征基因子集对样本分类的贡献,选取具有最佳分类能力的候选特征基因子集作为结肠癌特征基因子集.通过实验比较,该特征基因子集的分类能力优于文献给出的其他特征基因子集,表明了该方法的可行性和有效性.     

具备自动特征提取能力的智能监测系统

为了减少加工状态监测系统开发的时间和成本,提出自动敏感特征提取方法,自动选择合适的传感器和信号处理技术来提取出"敏感特征".针对高速铣削过程中的刀具磨损监测,采用切削力、振动、声音和声发射传感器来采集信号,并运用时域、频域和小波分析技术对信号进行处理.试验结果表明:该方法可自动地进行传感器和信号处理技术的选择,提取出的敏感特征适合于自学习监测系统应用.     

最大熵模型的事件分类

提出了一种基于最大熵模型的事件分类方法,该方法能够综合事件表述语句中的触发词信息及各类上下文特征对事件进行分类。对其中的两个关键问题:参数估计、特征模板与特征选择进行了详细论述,采用IIS算法学习模型参数,使用增量选择方法选择特征。应用该方法对人民日报语料中的职务变动、会见、恐怖袭击、法庭宣判、自然灾害五类事件进行了分类实验,结果表明,该方法的分类效果明显优于传统的分类方法。     

一种基于聚类集成的无监督特征选择方法

提出了一种无监督的特征选择方法，其基本思想是利用聚类来指导特征选择，对于无类别标签的数据样本集，先进行聚类获得数据类标签，再利用ReliefF算法进行特征选择．采用聚类集成方法解决一些聚类结果的不稳定问题，最终特征选择结果通过多次特征选择综合得到．实验结果表明，该算法具有良好的特征选择性能，在去除无关或冗余特征后可进一步提高聚类质量．     

一种快速的特征选择框架和方法

针对特征选择过程中准确率和计算效率不平衡问题,提出了一种快速特征选择框架（FFFS）.基于该框架,使用最小冗余最大相关方法（MRMR）选择候选特征,借助序列前向选择方法（SFS）验证性能,并通过限定迭代次数提高计算性能.与MRMR、SFS和混合序列浮动前向选择算法（FDHSFFS）的对比实验结果表明,提出的快速特征选择算法MRMR-SFS能在预测准确率和计算效率之间取得较好的平衡.     

基于机器学习的手写汉字特征选择

根据机器学习理论，提出了手写汉字识别中，特征提取与识别同时进行的方法，并将决策 树归纳学习算法ＩＤ３成功地应用于学习与识别过程，在识别过程中，依据决策树有选择地提取特征进行匹配，减少了特征提取的数量，大大地提高了识别速度。