常用支持向量机算法分析

支持向量机是在统计学习理论的VC维理论和结构风险最小化原则的基础上提出的一种新的模式识别技术,本文对于当前常用支持向量机的几种算法进行了总结和分析,对于今后提出更精确的方法做了充分的准备。     

基于支持向量机的多类分类研究

现今流行的分类方法的重要基础是传统的统计学，前提是要有足够的样本，当样本数目有限时容易出现过学习的问题，导致分类效果不理想。引入支持向量机方法，它基于统计学习理论，采用了结构风险最小化原则代替经验风险最小化原则，较好的解决了小样本学习的问题；又由于采用了核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度。对其相关内容包括优化算法及多类分类问题的解决进行了研究，最后用一个实例说明了该方法的可行性和有效性。     

基于最小二乘支持向量机的飞机备件多元分类

飞机后续备件配置直接关系到装备的战备完好率和寿命周期费用,对备件的正确分类是进行备件配置决策的前提。支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力。研究了新型支持向量机算法-最小二乘支持向量机,设计了基于多元分类的最小二乘支持向量机,在此基础上,建立了飞机备件多元分类模型,并对某机型的备件进行了分类。结果表明,基于最小二乘支持向量机的飞机备件多元分类方法是有效、可行的。     

基于支持向量机的模式识别方法

基于统计学习理论的支持向量机(SVM)方法是现代智能技术的一个重要分支。SVM实现了结构风险最小化(SRM),而不是经验风险最小化(ERM),在保证分类精度的前提下,提高了分类器的泛化能力。着重讨论C-SVM原理,并在此基础之上,对算法进行了测试。测试结果表明,C-SVM分类算法具有较好的推广能力。     

支持向量机算法及应用

系统介绍了统计学习理论和支持向量机的基本思想，总结、比较了二分类和多分类2种情况下支持向量机的主要训练算法。与人工神经网络相比，分析了支持向量机的优点。归纳了支持向量机在模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子中的应用。     

基于支持向量机的关键词拒识算法

支持向量机是统计理论学习中一个重要的学习方法，也是解决模式识别问题的强有力工具，尤其在二元分类上有着突出的优势。拒识技术是语音识别系统走向实用化的关键技术之一，但由于语音信号的复杂性，使得拒识一直是语音识别技术中的难题。有机的将支持向量机技术应用于关键词识别的拒识问题中，把关键词识别中的正识和误识作为支持向量机的二元分类对象。这种方法避免了传统拒识方法对拒识门限的确定，同时充分发挥了支持向量机在二元分类上的优势。实验表明该算法效果较为有效。     

支撑向量机回归的简化SMO算法

统计学习理论中提出的支撑向量机回归(SVR)遵循了结构风险最小化原则,从而避免了一味追求经验风险最小化带来的弊端。采用扩展方法使SVR与支撑向量机分类(SVC)具有相似的数学形式,并在此基础上提出了一种用于SVR的简化SMO算法。与SVR现有的SMO算法相比,简化算法的数学形式简洁直观,在不增加算法空间和时间复杂度的前提下避免了大量繁复的判别条件,较大幅度地简化了算法实现,有利于SVR的广泛使用。     

基于支持向量机的说话人识别研究

说话人识别技术的研究是智能信息处理的研究热点问题之一。支持向量机是统计学习理论的一个重要学习方法,也是解决模式识别问题的一个有力工具。介绍了模式识别的分类原理,提出基于支持向量机的说话人识别模型。通过把所得到的结果与原有VQ模型的试验结果相比较,表明该方法具有较高的识别准确率。     

支持向量预选取的K边界近邻法

支持向量机是基于统计学习理论的一种新兴的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出了突出的优势。但其支持向量的选取相当困难,这也成为限制其应用的瓶颈问题。本文提出了一种支持向量预选取的方法—K边界近邻法。该方法能有效提取包含支持向量的边界向量机,在不影响分类性能的情况下,极大减少了训练样本,提高训练速度。且新方法避免了数据分布的影响及对先验知识的依赖。仿真实验证明了该方法的可行性和有效性。     

结构风险最小化近邻分析解决大规模训练集支持向量机学习问题

SVM是利用靠近边界的少数向量来构造最大间隔的分类超平面,当海量样本之间存在相互混迭时,支持向量数目急剧增加,导致训练难度增大。针对该问题,本文将结构风险最小化近邻分析与支持向量机相结合构成了一种新的SVM学习方法。它首先根据各个训练数据的类间最近邻距离利用结构风险最小化近邻分析选择训练子集;在选择的样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后加入附加剩余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明本文提出的算法具有良好的性能,特别是在训练样本庞大,支持向量数量较多的情况下,能够较大幅度的减少计算复杂度,提高分类速度。     

基于支持向量机的说话人辨认研究

支持向量机是统计学理论的一个重要的学习方法，也是解决模式识别问题的一个有力的工具，本文提出了用支持向量机来解决说话人辨认问题。结合语音信号的特点，解决了大数据量情况下支持向量机的训练问题。支持向量机对两类的分类问题有着突出的优势，本文用两种判决规则将两类问题应用到多类的识别问题。用支持向量机实现了一个与文本无关的说话人辨认系统，实验表明，本方法有良好的效果。     

基于支持向量机的数字调制识别算法

在非协作通信中,需要对接收的信号进行调制方式的自动识别.在高阶累积量城内构造信号识别的特征向量,采用基于二又树的支持向量机将识别特征向量映射到高维空间并构造最优分类超平面,实现对数字调制信号的自动识别.该算法不仅结构简单、计算量小,而且解决了样本在低维空间中的不可分问题,具有良好的泛化推广能力.理论分析和仿真结果证明了...     

一种基于SVM的多目标模糊识别方法

支持矢量机是近年来在统计学习理论的基础上发展起来的一种新的模式识剐方法，在解决小样本、非线性及高维模式识剐问题中表现出许多特有的优势。本文重点分析了支持矢量机多分类问题中存在的错分、拒分现象，提出了一种基于支持矢量机特征空问的模糊隶属度函数。多目标识剐的仿真结果表明，采用这种模糊隶属度函数，能够减少目标的错分和拒分数量，提高识剐率。     

利用小波和分形理论进行水下回波的特征提取

该文首先分析了五类湖底回波的不同尺度下小波子空间的能量特征和分形维特征;然后将这些特征矢量作为分类的特征,并根据特征本身的离散程度对其进行加权;最后采用最小距离分类器对其进行分类,取得了 96.11％的分类正确率。     

长焦距空间遥感器支撑结构设计研究

为了提高分辨力,空间遥感器采用长焦距和较大的光学孔径是必然的选择。但随着焦距增大,给遥感器支撑结构设计带来了困难。必须通过合理的支撑结构设计,才能保证其光学系统在发射的动力学过程中、空间工作环境下和一定热环境下具有较高的尺寸稳定性。本文对采用卡式光学系统的长焦距空间遥感器主要支撑结构进行了研究。工程分析表明,遥感器的支撑结构很好地保证了空间遥感器的工作稳定性,而其支撑件自身在一定的动态环境下不会破坏。     

基于图像特征的纸币真伪识别算法研究

针对纸币图像的真伪区别点,提出了一种新的纸币真伪识别算法。在精确判别币值的基础上,利用统计模式识别的理论建立真币模型,通过对真币进行特征分析确定其判决域,从而进行纸币的真伪判别。实验结果表明,算法识别率达96.28%。     

Pattern classification by the Bayes machine

In pattern classification one has to test which class an observation vector belongs to, paying the minimum error probability. According to the nonparametric formulation, the statistical information is given by a labelled training set. The authors show how to design a classification rule by optimising the position of code vectors of a labelled vector quantiser under the minimum error probability criterion     

Pattern recognition algorithms based on space-filling curves andorthogonal expansions

The classical problem of constructing a multidimensional pattern classifier in the Bayesian framework is considered. Preprocessing of the learning sequence by a quasi-inverse of a space-filling curve is proposed and properties of space-filling curves which are necessary to obtain Bayes risk consistency are indicated. The learning sequence transformed into the unit interval is used to estimate the coefficients in an orthogonal expansion of the Bayes decision rule. To transform a new observation into the unit interval requires O(d) elementary operations, where d is the dimension of the observation space. Strong Bayes risk consistency of the classifiers is proved when distributions of the random pair of the observation vector and its class are absolutely continuous with respect to the Lebesgue measure. Attainable convergence rate of the Bayes risk is discussed. Details of the classification algorithm based on the Haar series and its properties are presented. Distribution-free consistency of the classifier is established. The performance of such a classifier is tested both on simulated data and on the standard benchmarks providing misclassification errors comparable to, or even better than the k nearest neighbors (k-NN) method     

Communication emitter individual identification based on 3D-Hibert energy spectrum and multi-scale fractal features

For communication emitter identification,a novel method based on Hilbert-Huang transform (HHT) and multi-scale fractal features was proposed.First,the time frequency energy spectrum was derived via HHT,which was called a complicated curved surface in the three-dimension space,namely,3D-Hilbert energy spectrum.Then,the differential box dimension and the multi-fractal dimension was extracted to compose the feature vector under multi-scale segmentation using fractal theory.Finally,communication emitter individual identification was obtained using the two dimensions of features above and the support vector machine (SVM).Moreover,the novel method was compared with two existing methods to identify simulated and actual signals with different and the same modulation modes,respectively.Results show that the identification rate of the novel method is higher than that of the two other methods.The features extracted by the novel method have high stability,sufficiency,and identifiability,also outweigh the negative effects of the change of signal-to-noise ratio and the number of training samples and emitters.