基于高斯混合模型的自然环境声音的识别

提出了一种基于高斯混合模型（GMM）的自然环境声音的识别方法。提取Mel频率倒谱系数（MFCCs）来分析声音信号;对于每种声音使用期望最大化算法基于MFCC特征集建立高斯混合模型;使用最小错误率判决规则和投票裁决的方法进行识别。使用GMM对36种自然环境的声音进行识别的正确率可达95.83%,且识别效果优于K最近邻（KNN）。     

多频带谱减法用于生态环境声音分类

基于人类听觉特性的Mel频率倒谱系数广泛用于声音识别,然而在生态环境中噪声的出现导致其识别率剧减。提出一种在噪声背景下生态环境声音分类方法。利用非线性多频带谱减法对声音功率谱进行去噪处理并提取改进Mel频率倒谱系数,有效削弱不同频率段噪声功率谱干扰。利用支持向量机良好的鲁棒性和抗噪能力对含有噪声的生态环境声音进行分类。实验表明该方法能有效在噪声背景下对生态环境声音准确分类。     

基于HMM和SVM的环境声音分类

提出了一种利用隐马尔可夫模型和支持向量机作为两级分类器的分类方法,实现对语音、杯碟碰撞声、开门和关门声、口哨声以及电话铃声五种环境声音的分类。对于采集和预处理后的环境声音信号,首先在第一级采用HMM模型进行初步分类,找出概率最大的两类,确定每种环境声音最有可能属于的类别,然后采用第二级SVM分类器作出进一步的判断。实验结果表明,相对于单独使用两者中任何一种作为分类器的分类方法,该方法对环境声音的识别具有更高的分类准确性。     

噪音情境下生态环境声音的分类

提出一种对含有噪音的生态环境声音进行分类的方法.首先,匹配追踪(Matching Pursuit,简称MP)算法可以提取有效信号的时-频特征,减弱噪音的干扰.支持向量机(support Vector Machine,简称SVM)分类器的鲁棒性比较好,所以提出使用SVM基于MP时-频特征建立模型(简称MP-SVM)对含有噪音的生态环境声音进行分类.实验得出MP-SVM可取得较好的分类效果,证明了MP时-频特征和SVM分类器具有较好的抗噪性.     

噪声环境下基于能量检测的生态声音识别

无效声音段的存在导致噪声环境下声音识别方法的识别率迅速降低。为此,提出一种基于能量检测的抗噪声音识别方法。用能量检测方法检测背景噪声环境下的有用声音信号,对检测到的信号提取Mel频率倒谱系数特征,使用支持向量机对提取的特征向量训练分类模型,对含有噪声的生态环境声音进行识别。实验结果表明,该方法具有较好的抗噪能力,其在信噪比40 dB以下的识别率比添加能量检测前提高约25%。     

基于SVM的非特定人声调识别的研究

在建立非特定人普通话四声语调语音数据库的基础上,采用Mel频率倒谱系数（MFCCs）对语音数据进行特征参数的提取,并利用支持向量机（SVM）对语音中的四种声调进行了训练和识别研究。实验结果表明MFCCs和SVM的结合得到的平均识别率达到了97.6%。     

基于流形学习和SVM的环境声音分类

为利用生态环境中各种声音包含的信息,提出一种将流形学习算法和支持向量机(SVM)相结合的生态环境声音分类技术。提取音频强度、音色、音调和音频节奏的特征集合并计算对应的特征向量,采用改进的拉普拉斯特征映射流形学习算法对特征向量进行维数约简,从而降低数据处理的复杂性。使用SVM对降维后的特征向量进行分类,发挥SVM在处理小样本、非线性及高维数据方面的优势,从而提高分类准确率。实验结果表明,该技术能对生态环境声音进行快速准确的分类。     

有效的基于内容的音频特征提取方法

音频特征提取是音频分类的基础,好的特征将会有效提高分类精度。在提取频域特征Mel频率倒谱系数（MFCC）的同时,对每一帧信号做离散小波变换,提取小波域特征,把频域和小波域特征相结合计算其统计特征。通过SVM模型建立音频模板,对纯语音、音乐及带背景音乐的语音进行分类识别,取得了较高的识别精度。     

基于多类支持向量机的棉花异性纤维分类方法

提出一种基于多类支持向量机的棉花异性纤维分类方法,以期解决棉花异性纤维的在线分类难题。该方法首先对异性纤维目标图像进行颜色、形状和纹理特征提取,形成用于精确描述异性纤维目标的特征向量;然后分别构建3种不同体系结构的多类支持向量机用于棉花异性纤维的分类;最后采用交叉验证法对所构建的3种多类支持向量机进行测试。测试结果表明,基于有向无环图的一对一多类支持向量机在分类精度和分类速度上更适合用于棉花异性纤维在线分类。     

支持向量机多类分类方法

支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题。当前针对多类问题的支持向量机分类方法主要有5种：一类对余类法（OVR）,一对一法（OVO）,二叉树法（BT）,纠错输出编码法和有向非循环图法。本文对这些方法进行了简单的介绍,通过对其原理和实现方法的分析,从速度和精度两方面对这些方法的优缺点进行了归纳和总结,给出了比较意见,并通过实验进行了验证,最后提出了一些改进建议。     

一种基于支持向量机的空间数据分类方法

支持向量机是基于小样本统计理论的一种新的机器学习方法,主要解决两分类问题。目前已成为机器学习领域的研究热点,但其应用方面的研究刚刚开始,在文本分类,图像分类、生物序列分析等方面得到成功应用。文章根据空间数据分类数据海量特点将SVM分类算法应用到炮阵地地形分析中,使得识别率大大提高。     

一种快速支持向量机分类算法的研究

提出一种快速的支持向量机分类算法——FCSVM,对支持向量集采用变换的方式,用少量的支持向量代替全部支持向量进行分类计算,在保证不损失分类精度的前提下使得分类速度有较大提高．在UCI标准数据集上进行的分类实验以及在FERET标准人脸库上进行的人脸识别实验都表明该算法具有较好的性能,在一定程度上克服了传统的支持向量机分类速度较慢的缺点、尤其在训练集规模庞大、支持向量数量较多的情况下,采用该算法能够较大幅度地减小计算复杂度,提高分类速度．     

一种F-scores和SVM结合的客户分类方法

为了克服现有客户分类方法在假设前提、准确度、泛化能力等方面的不足,提出了一种F-scores和SVM算法相结合的客户分类方法,并把该方法应用到银行信用卡客户分类问题中予以验证.实证分析表明:该方法最终的模型验证准确率可达95%以上,学习和分类能力良好.     

基于标准数据集的分类器融合学习模型

判别式分类器通过生成不同复杂度的指示函数去调节算法与所解决问题的适应性,能有效地避免过拟合现象。分类器融合方法就是应用单个分类器对特定样本预报的特异性来提高模型的整体预测精度,应用支持向量机(SVM)对乳腺癌数据进行建模,通过选取不同的模型参数(径向基核函数参数gamma和正则化约束参数cost)构建9个单分类器,通过投票策略在单分类器上构建融合分类器,融合模型对乳腺癌数据的预测精度为98.59%,相比单分类模型对此数据集的预测精度97.72%有明显的竞争力,试验结果表明融合模型能有效提升分类器的泛化能力。     

一种新的基于SVM-KNN的Web文本分类算法

在应用基本的支持向量机算法的基础上,提出了一种新的Web文本分类算法。将SVM算法和KNN算法进行结合,提出了基于SVM-KNN的Web文本分类算法,用KNN算法来弥补传统SVM算法的不足,以简单的思想和较小的实现代价对传统SVM算法进行有效的改进,收到了良好的分类效果。