基手小波变换和支持向量机的遥感图像目标检测

探讨基于支持向量机的高分辨率遥感图像中某型号飞机的检测识别问题.提出将小波变换结合灰度共生矩阵法提取目标样本信息特征的一种新方法,通过对Brodatz纹理进行测试,实验表明该方法有效提高了纹理分类识别率.此外,将支持向量机方法运用于遥感图像目标识别中,用分块区域搜索的方法检测到目标所在区域,实现对目标的检测识别.试验表明,该方法快速、高效且具备一定的鲁棒性.     

基于支持向量机分类水平集方法的图像特征提取研究

本文提出了一种基于支持向量机分类器的水平集方法的图像特征提取方法,在提取图像特征的水平集方法应用中,通过改进水平集能量函数,引入区域信息,能够同时提取图像目标的内外边界,并且收敛速度快。提取图像特征之后通过支持向量机非线性分类器对待处理图像进行分类。     

基于ETAFSVM的高光谱遥感图像自动波段选择和分类

提出了一种新型的具有良好特性的支持向量机--全间隔自适应模糊支持向量机(TAFSVM),并提出一种新的遗传算法--智能遗传算法(IGA)来设计一个TAFSVM分类器,称为ETAFSVM,同时优化高光谱遥感图像自动波段选择和TAFSVM参数集,并且结合5-fold交叉验证来确定其泛化能力,最后将ETAFSVM应用于高光谱遥感图像数据.通过先进行自适应波段选择后再用径向基神经网络分类器、K-最近邻分类器和标准支持向量机等3种方法进行全部分类精度比较,以及与这3种方法直接进行类别分类精度和平均分类精度比较,其结果表明运用ETAFSVM不仅可以自动进行波段选择,而且分类精度较高,对Hughes现象敏感性较低,是进行高光谱遥感图像分类的一种有效方法.     

网格环境下分布式SVM遥感图像分类器模型研究

为了充分利用网格技术分布式、高性能、协同共享的能力,设计了一种基于网格和支持向量机的分布式图像分类器模型,采用网格计算技术,统筹网络运算资源,结合支持向量机在有限样本统计分类中的优势,探索网格技术在图像分类中的应用。以对遥感图像目标物体的特征提取为例,实现基于分布式计算的图像分类过程,基于.net环境的实验结果表明,该模型提高了数据密集型图像分类速度和处理效率。     

基于C均值和SVM的SAR图像目标分类研究

针对SAR图像具有斑点噪声强和目标特征差异小的特点,通过研究地物特征,提出一种基于C均值和支持向量机(Support Vector Machine)的SAR图像目标分类算法.该算法的前端在特征空间运用C均值聚类算法,有效抑制斑点噪声;后端在图像空间运用支持向量机分类器,提高分类精度.实验结果表明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

感兴趣区域遥感图像分类与支持向量机应用研究

提出了基于SVM的遥感图像分类方法并构建了分类模型,该方法以唐山1∶50 000 TM局部图为分类数据来源,由用户选择感兴趣的区域,分别提取该区域绿地、公共用地和房屋的图像特征,并以此为训练样本进行训练,采取交叉校验的方法获得SVM的最优惩罚因子C和间隔γ参数进行图像分类。实验结果表明,此分类方法准确率高、稳定快捷,是SVM在遥感图像分类中的一个很好的应用。     

基于SSAE深度学习特征表示的高光谱遥感图像分类方法

针对遥感图像中高光谱数据的分类问题,提出一种基于堆叠稀疏自动编码器(SSAE)深度学习特征表示的高光谱遥感图像分类方法。首先,将光谱数据样本进行预处理和归一化。然后,将其输入到SSAE中进行特征表示学习,并通过网格搜索来获得最优网络参数,以此获得有效的特征表示。最后通过支持向量机(SVM)分类器对输入图像特征进行分类,最终实现遥感图像中像素的分类。在两个标准数据集上的实验结果表明,该方法能够实现准确的高光谱地物分类。     

支持向量机在核磁共振脑组织图像分割中的应用

在医学图像分析中,脑组织图像分割有着重要的研究与应用价值。采用支持向量机方法对核磁共振脑图像进行研究。传统的支持向量机方法在图像分割中一般选用方形的区域,用该区域的像素灰度和纹理特征作为支持向量的训练样本,对图像进行提取和分析,得到分类结果。提出了一种新型的研究区域,在该区域上提取训练样本,对核磁共振脑图像进行分类。分类结果显示用新型区域做的图像分割提高了正确率。     

基于遗传算法和支持向量机的玉米品种识别

提出了一种基于遗传算法（GA）和支持向量机（SVM）的玉米种子的图像特征选择和分类识别的新方法。该方法首先用遗传算法对采集到的玉米种子图像的特征进行优化,而后采用决策二叉树的支持向量机分类算法对玉米品种进行识别。该分类算法将分类器分布在各个结点上,构成多类支持向量机,减少了分类器的数量和重复训练样本的数量。实验结果表明该方法能选出适合于识别的玉米种子特征并能对玉米种子进行正确地识别。     

基于SVM分类器的XSS攻击检测技术

Web应用高速发展的同时产生了大量安全漏洞,跨站脚本攻击(XSS)就是危害最为严重的Web漏洞之一,而基于规则的传统XSS检测工具难以检测未知的和变形的XSS。为了应对未知的和变形的XSS,文中提出了一种基于支持向量机(SVM)分类器的XSS攻击检测方案。该方案在大量分析XSS攻击样本及其变形样本和正常样本的基础上,提取最具代表性的五维特征并将这些特征向量化,然后进行SVM算法的训练和测试。通过准确率、召回率和误报率3个指标来对分类器的检测效果进行评价,并优化特征提取方式。改进后的SVM分类器与传统工具和普通SVM相比性能均有所提升。     

Financial distress prediction using support vector machines: Ensemble vs. individual

Financial distress prediction (FDP) is of great importance to both inner and outside parts of companies. Though lots of literatures have given comprehensive analysis on single classifier FDP method, ensemble method for FDP just emerged in recent years and needs to be further studied. Support vector machine (SVM) shows promising performance in FDP when compared with other single classifier methods. The contribution of this paper is to propose a new FDP method based on SVM ensemble, whose candidate single classifiers are trained by SVM algorithms with different kernel functions on different feature subsets of one initial dataset. SVM kernels such as linear, polynomial, RBF and sigmoid, and the filter feature selection/extraction methods of stepwise multi discriminant analysis (MDA), stepwise logistic regression (logit), and principal component analysis (PCA) are applied. The algorithm for selecting SVM ensemble's base classifiers from candidate ones is designed by considering both individual performance and diversity analysis. Weighted majority voting based on base classifiers’ cross validation accuracy on training dataset is used as the combination mechanism. Experimental results indicate that SVM ensemble is significantly superior to individual SVM classifier when the number of base classifiers in SVM ensemble is properly set. Besides, it also shows that RBF SVM based on features selected by stepwise MDA is a good choice for FDP when individual SVM classifier is applied.     

Linux下基于SVM分类器的WebShell检测方法研究

WebShell是一种常见的网页后门,它常常被攻击者用来获取Web服务器的操作权限。文章首先分析了Linux下WebShell的实现机理,描述了WebShell的常见特征和特征混淆方法,然后以此为基础,提出了一种基于SVM分类器的检测方法,并在仿真平台下对其予以实现。文章从准确度、特定度和灵敏度3个方面比较了基于SVM分类器的WebShell检测方法、基于特征匹配的WebShell检测方法和基于决策树的WebShell检测方法。实验结果表明,文章提出的方法能够准确、高效地对WebShell进行检测。     

优化的支持向量机集成分类器在非平衡数据集分类中的应用

传统的分类算法大都建立在平衡数据集的基础上,当样本数据不平衡时,这些学习算法的性能往往会明显下降.对于非平衡数据分类问题,提出了一种优化的支持向量机(SVM)集成分类器模型,采用KSMOTE和Bootstrap对非平衡数据进行预处理,生成相应的SVM模型并用复合形算法优化模型参数,最后利用优化的参数并行生成SVM集成分类器模型,采用投票机制得到分类结果.对5组UCI标准数据集进行实验,结果表明采用优化的SVM集成分类器模型较SVM模型、优化的SVM模型等分类精度有了明显的提升,同时验证了不同的bootNum取值对分类器性能效果的影响.     

基于脚部惯性传感数据的人员运动速度识别方法

现有的基于脚部惯性传感数据的人员运动速度估计方法只能对人员低速行走时的速度进行有效的估计。为了采用脚步惯性传感数据识别人员快速行走以及跑步时的速度,该文提出了一种利用单步统计特征进行速度识别的方法。该方法利用脚部惯性传感器对人员在不同速度下运动的惯性数据进行采集,采用峰值检测的方法对数据进行单步划分,最后从单步数据中提取65维统计特征分别采用最小二乘法（LS）、支持向量机（SVM）、K近邻（KNN）、线型贝叶斯正态分类器（LDC）4种常见的机器学习分类方法对人员运动速度进行识别。经实验验证,所建议的方法中采用SVM分类器的识别率高达96.3%,所以采用该方法可以有效的识别人员的运动速度。     

Force based tool wear monitoring system for milling process based on relevance vector machine

The monitoring of tool wear status is paramount for guaranteeing the workpiece quality and improving the manufacturing efficiency. In some cases, classifier based on small training samples is preferred because of the complex tool wear process and time consuming samples collection process. In this paper, a tool wear monitoring system based on relevance vector machine (RVM) classifier is constructed to realize multi categories classification of tool wear status during milling process. As a Bayesian algorithm alternative to the support vector machine (SVM), RVM has stronger generalization ability under small training samples. Moreover, RVM classifier results in fewer relevance vectors (RVs) compared with SVM classifier. Hence, it can be carried out much faster compared to the SVM. To show the advantages of the RVM classifier, milling experiment of Titanium alloy was carried out and the multi categories classification of tool wear status under different numbers of training samples and test samples are realized by using SVM and RVM classifier respectively. The comparison of SVM with RVM shows that the RVM can get more accurate results under different number of small training samples. Moreover, the speed of classification is faster than SVM. This method casts some new lights on the industrial environment of the tool condition monitoring.     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

基于多分类支持向量机的入侵检测方法

网络入侵检测所处理的数据由多类攻击数据和正常数据构成，基于此对多分类支持向量机在网络入侵检测中的应用进行了研究，采用一对一方法构造了多分类支持向量机分类器，用KDD99入侵检测数据对所提出的多分类支持向量机分类器进行了测试评估，将实验结果和BP神经网络方法进行了比较。实验表明提出的方法是可行的、高效的。     

基于支持向量机的枪弹外观缺陷识别与分类

为解决枪弹外观缺陷自动分类问题,提出了一种基于支持向量机的枪弹外观缺陷自动识别与分类模型。首先针对枪弹表面缺陷的图像特点,从几何、灰度、纹理三方面进行了特征提取,在此基础上建立了基于支持向量机的枪弹外观缺陷分类模型,并对特征参数进行了优选;研究了支持向量机中惩罚系数和核函数参数对分类器性能的影响;通过实验与基于BP神经网络的枪弹外观缺陷分类器进行了比较,结果表明,在小样本下,基于支持向量机的枪弹外观缺陷分类器性能更好。     

基于HOG和SVM的双眼虹膜图像的人眼定位算法

针对近红外光下现有的人眼定位算法普遍存在准确性不高、泛化能力不佳等问题，提出了一种基于方向梯度直方图（HOG）和支持向量机（SVM）相结合的双眼虹膜图像的人眼定位算法。利用HOG提取虹膜图像的人眼特征，并结合SVM分类器对HOG特征进行训练从而实现人眼的精确定位。为了减少漏检和误检，进一步提高定位准确率，又提出了多级级联SVM分类器算法；另外针对近红外光线下虹膜图像独特的灰度分布特点，设计了一种图像预处理方法，能够显著提高人眼定位速度。在MIR2016和CASIA-IRIS-Distance数据集上的实验结果表明，基于HOG和SVM的双眼虹膜图像的人眼定位算法具有高准确率、强泛化能力和高实时性。