鼻子区域检测与三维人脸姿态自动化校正

在许多三维人脸应用中,人脸姿态校正是数据预处理过程中的重要一步.针对三维入脸顶点法向量的分布特性,提出一种基于鼻子区域检测的三维人脸姿态自动化校正方法.首先,对三维人脸顶点法向量进行无监督聚类,将具有相似属性的三维人脸顶点聚集到一类;然后提出一种基于无向图的三维人脸分割算法,将三维人脸分割成为若干区域,每个区域使用平均自旋图描述;再使用支持向量机分类器挑选鼻子区域,并根据模板三维人脸的姿态,对输入人脸进行三维仿射变换;最后通过迭代最近点算法获得精确的姿态校正结果.实验结果表明,该方法优干已有方法.     

模糊支持向量机隶属度的确定方法

传统的支持向量机对噪声或野点是敏感的,针对这种情况,引入了模糊支持向量机,但模糊隶属度的确定是个难点。利用基于线性规划下的一类分类算法来确定模糊隶属度,根据不同输入样本对分类的贡献不同,赋予相应的隶属度,将噪声或野点与有效样本区分开。实验结果表明,模糊支持向量机比传统的支持向量机有更好的分类效果,能够削弱噪声或野点的影响。     

支持向量机组合分类及其在文本分类中的应用

针对标准支持向量机对野值点和噪音敏感，分类时明显倾向于大类别的问题，提出了一种同时考虑样本差异和类别差异的双重加权支持向量机。并给出了由近似支持向量机结合支持向量识别算法，识别野值点和计算样本重要性权值的方法．双重加权支持向量机和近似支持向量机组合的新分类算法尤其适用于样本规模大、样本质量不一、类别不平衡的文本分类问题．实验表明新算法改善了分类器的泛化性能。比传统方法具有更高的查准率和查全率．     

模糊支持向量机在路面识别中的应用

利用模糊支持向量机进行路面不平度识别。针对支持向量机对样本中的噪声点和野值点特别敏感的缺点,采用将样本到类中心的距离作为样本的模糊隶属度,并结合改进的粒子群算法对模糊支持向量机的参数进行优化。通过对实验数据的训练和测试,该方法的最高平均识别率提高到了77.5%,高于一般支持向量机的72.5%的识别率。数据处理表明模糊隶属度的引入强化了有效样本对分类的影响,减弱了噪声点和野值点对分类的影响,提高了路面不平度识别率。     

加权支持向量回归的权值确定方法

针对标准支持向量回归中由于噪声和野点造成的回归误差.提出了一种基于线性规划的权值确定方法.该方法的基本思想是首先根据样本偏离数据域距离的不同,采用线性规划下的一类分类算法得到一个权值确定函数,然后将得到的权值确定函数应用于加权支持向量回归,加权的目的是为了减弱噪声和野点对回归结果的影响.实验表明,该权值确定方法与标准支持向量回归相比,可以有效减小回归误差,提高支持向量机抗噪声的能力.     

基于类心距离的模糊支持向量数据描述

针对传统的支持向量数据描述模型忽略了样本分布的重要性,提出了基于类心距离的模糊支持向量数据描述算法,并将其应用在UCI机器学习数据库的二分类和多分类数据集中。该算法利用样本到两类中心距离的比值赋予样本权重,增大贡献度大的样本的权重,降低贡献度小的样本的权重,突出样本之间的差异性,从而提高了算法的分类效果。实验表明,该算法具有比传统支持向量数据描述更好的学习能力和分类效果。     

基于壳向量和中心向量的支持向量机

针对支持向量机(Support vector machines,SVMs)中大规模样本集训练速度慢且分类精度易受野点影响的问题,提出一个基于样本几何信息的支持向量机算法.其基本步骤是,首先分别求取每类样本点的壳向量和中心向量,然后将求出的壳向量作为新的训练集进行标准的SVM训练得到超平面的法向量,最后利用中心向量来更新法向量从而减少野点的影响得到最终的分类器.实验表明,采用这种学习策略,不仅加快了训练速度,而且在一般情况下也提高了分类精度.     

基于尺度不变特征变换和SVM的人脸检测算法

模糊支持向量机的提出克服了过学习问题和减少了多类问题分类时存在的不可分区域,被成功地应用在分类检测问题中。在人脸的特征提取和检测实验中,使用变分的测地活动轮廓模型对人脸分割定位,通过尺度不变特征变换算法提取人脸图像的数字特征,然后用一种改进的紧密度模糊支持向量机进行人脸检测。改进的紧密度模糊支持向量机通过交叉确认来获取较好的隶属度函数的参数,提高了算法的执行效果。实验表明改进算法有较好的分类精度和鲁棒性。     

基于改进的PCM支持向量描述多类分类器

基于支持向量数据描述和改进的可能性c-均值聚类算法,提出了一种模糊的多类分类学习机.首先通过一个改进的PCM算法来计算每个样本对于每类的权值矩阵,该权值也反映了该样本对某类的重要程度;然后将该权值矩阵应用到支持向量数据描述方法中,并对样本进行训练;最后给出了一个针对多类分类的分类规则(函数),并从理论上证明该分类规则满足贝叶斯优化决策理论.通过对比实验分析,本文提出的算法在分类精度和训练时间上都有较大的改善.     

基于支持向量的单类分类方法综述

研究基于支持向量机理论和单类分类思想的2种支持向量域数据描述模型,即单分类支持向量机和支持向量描述模型,分析2类模型之间的区别和联系以及参数的优化设置,总结支持向量域单分类方法存在的缺点以及目前对这2类支持向量描述模型研究的改进方向。     

基于最小包围球的支持向量机研究

传统支持向量机的时间空间复杂度和样本个数有关,样本个数大时,将产生时间空间上的巨大耗费。文章通过对一类问题最小包围球研究分析的基础上提出了一种简化算法,该算法对每一类别样本单独构造一个近似最小超球,不仅降低了二次规划问题的复杂度,而且易于扩充。仿真实验表明,该算法在不降低识别率的情况下,减少了支持向量的个数,降低了算法的复杂度。     

Constructing boosting algorithms from SVMs: an application toone-class classification

We show via an equivalence of mathematical programs that a support vector (SV) algorithm can be translated into an equivalent boosting-like algorithm and vice versa. We exemplify this translation procedure for a new algorithm: one-class leveraging, starting from the one-class support vector machine (1-SVM). This is a first step toward unsupervised learning in a boosting framework. Building on so-called barrier methods known from the theory of constrained optimization, it returns a function, written as a convex combination of base hypotheses, that characterizes whether a given test point is likely to have been generated from the distribution underlying the training data. Simulations on one-class classification problems demonstrate the usefulness of our approach     

面向新异检测的启发式约减支持向量数据描述

针对支持向量数据描述(SVDD)单类分类方法运算复杂度高的缺点,提出一种启发式约减支持向量数据描述(HR-SVDD)方法。以启发的方式从原有训练集中筛选出部分样本构成约减训练集,对约减训练集进行二次规划解算,得到支持向量和决策边界。通过不同宽度系数高斯核SVDD特征的讨论,证明了HR-SVDD的有效性。人工数据集和真实数据集上的实验结果表明, HR-SVDD分类精度与传统支持向量数据描述相当,但具有更快的运算速度和更小的内存占用。     

定点孪生支持向量机

孪生支持向量机(TWSVM)以及最近提出的各种变体模型均是在高维空间内独立求解两个带有约束条件的对偶二次规划问题(QPP).然而,由于每个对偶的QPP所需求解的对偶变量的数量由他类样本的数量决定,当需要处理大规模数据集时,这种直接求解标准QPP的方法将会导致非常高的计算复杂度.为此,提出一种改进的孪生支持向量机模型,称为定点孪生支持向量机(FP-TWSVM).所提模型将传统的TWSVM及其变体模型中处在高维空间内的对偶QPP转化成一系列有限个一维空间内的单峰函数优化问题.可以采用高效的线性搜索方法求解这些一维的单峰函数优化问题,例如斐波那契算法、黄金分割法.在标准数据集包括大规模数据集上的数值实验验证了FP-TWSVM算法的有效性.实验结果表明,FP-TWSVM在保持与其他模型相当的分类精度的同时,具有更快的训练速度,消耗更少的内存空间.     

A new support vector machine based on type-2 fuzzy samples

Classical support vector machine is based on the real valued random samples and established on the probability space. It is hard to deal with classification problems based on type-2 fuzzy samples established on non-probability space. The existing algorithm, type-2 fuzzy support vector machine established on generalized credibility space, transforms the classification problems based on type-2 fuzzy samples to general fuzzy optimization problems and expands the application range of traditional support vector machine. However, nonnegativeness of the decision variables of general fuzzy optimization problems is too strict to be satisfied in some practical applications. Motivated by this, the concept of expected fuzzy possibility measure is proposed. Then type-2 fuzzy support vector machine on expected fuzzy possibility space is established, and the second-order cone programming of type-2 fuzzy support vector machine on expected fuzzy possibility space is given. The results of numerical experiments show the effectiveness of the type-2 fuzzy support vector machine established on expected fuzzy possibility space.     

融合PCA的支持向量机人脸检测研究

支持向量机（Support Vector Machine,SVM）作为一种经典的非线性分类器,用于模式识别,可以将训练样本从不可线性分类的低维空间映射到可线性分类的高维空间,再做分类,本文主要训练支持向量机使它学会区分人脸和非人脸。支持向量机的数学推导完备,算法逻辑严密,整体上比Adaboost算法复杂,但在样本量较少的情况下效果良好,因此有样本优势。支撑它的理论包含泛化性理论、最优化理论和核函数等,这些理论也被学术界广泛用于其他机器学习算法如神经网络,几十年来被证明具有很高的可靠性。同时本文论述主成分分析技术（PCA）用于压缩数据,实现数据降维,在数据预处理方面算法提供了很大帮助,使SVM支持向量机的输入数据维数大幅下降,大大提高了运算和检测时间。