共查询到19条相似文献,搜索用时 128 毫秒
1.
谷物害虫图像识别中特征值提取技术的研究 总被引:3,自引:0,他引:3
本文阐述了在仓储物害虫分类识别研究中利用计算机数字图像处理技术,对谷物害虫图像的一阶灰度值直方图和图像的目标区域,自动提4取静态仓储物害虫图像的数理统计特征、纹理特征和几何形状特征的主要技术和方法。试验结果表明,该方法可以为谷物害虫的计算机自动模式识别(快速分类)提供稳定的特征参数值,有效地提高了识别率。该方法为仓储物害虫的快速鉴定和分类研究开辟了新的途径。 相似文献
2.
3.
4.
为了提高仓储物害虫声音信号的自动识别率,寻找支持向量机模型参数C和核宽度参数σ的最优组合,提出了基于混沌优化的支持向量机模型参数自动选择算法.基于径向基核函数(Radial Basis Function,RBF)的支持向量机模型参数C和核宽度参数σ对其泛化能力有很大的影响,首先产生Logistic映射和圆映射的混沌混沌数值序列,而后以通过载波形式将混沌变量的值域"放大"至参数(C,σ)的取值空间,寻找优化变量(C,σ)的最优组合.与网格法的比较实验结果表明,该方法不但可以提高分类识别率,而且显著减少了支持向量机的训练个数,并使支持向量机具有更好的推广能力. 相似文献
5.
基于支持向量机的说话人识别研究 总被引:1,自引:0,他引:1
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。 相似文献
6.
支持向量机算法及应用 总被引:17,自引:4,他引:13
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。 相似文献
7.
基于最小二乘支持向量机的飞机备件多元分类 总被引:1,自引:0,他引:1
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。 相似文献
8.
9.
基于支持向量机的说话人辨认研究 总被引:10,自引:0,他引:10
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。 相似文献
10.
本文提出了一种将支持向量机分类和最近邻分类相结合的方法,形成了一种新的分类器.首先对支持向量机进行分析可以看出它作为分类器实际相当于每类只选一个代表点的最近邻分类器,同时在对支持向量机分类时出错样本点的分布进行研究的基础上,在分类阶段计算待识别样本和最优分类超平面的距离,如果距离差大于给定阈值直接应用支持向量机分类,否则代入以每类的所有的支持向量作为代表点的K近邻分类.数值实验证明了使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率,同时可以较好地解决应用支持向量机分类时核函数参数的选择问题. 相似文献
11.
网络新闻自动分类已经成为当下的热点问题,SVM分类算法是文本分类中应用较为成熟的一种方法.文章针对SVM文本分类中特征选择和核函数选择的两个重要问题,在新闻文本实验环境下进行了探讨,结果表明使用互信息特征选择法且特征数在4000左右,使用SIGMOID核函数的情况下准确率与召回率均可达到97%的分类效果. 相似文献
12.
在游戏开发的人工智能领域中,关键部分是学习过程。而经典的学习系统需要花费很多时间忘记旧规则,同时学习新规则。为解决这个问题,提出使用支持向量机技术,并为这种学习分类器引进了一个时间概念,这样,系统就可以容易地忘记过去的事情,同时文中也为支持向量的数量限制和CPU消耗的限制提出了解决方法。 相似文献
13.
14.
15.
16.
17.
TWin support tensor machines for MCs detection 总被引:1,自引:0,他引:1
Tensor representation is useful to reduce the overfitting problem in vector-based learning algorithm in pattern recognition.This is mainly because the structure information of objects in pattern analysis is a reasonable constraint to reduce the number of unknown parameters used to model a classifier.In this paper,we generalize the vector-based learning algorithm TWin Support Vector Machine (TWSVM)to the tensor-based method TWin Support Tensor Machines(TWSTM),which accepts general tensors as input.To examine the effectiveness of TWSTM,we implement the TWSTM method for Microcalcification Clusters (MCs) detection.In the tensor subspace domain,the MCs detection procedure is formulated as a supervised learning and classification problem.and TWSTM is used as a classifier to make decision for the presence of MCs or not.A large number of experiments were carried out to evaluate and compare the performance of the proposed MCs detection algorithm.By comparison with TWSVM,the tensor version reduces the overfitting problem. 相似文献
18.
While malicious samples are widely found in many application fields of machine learning, suitable countermeasures have been investigated in the field of adversarial machine learning. Due to the importance and popularity of Support Vector Machines (SVMs), we first describe the evasion attack against SVM classification and then propose a defense strategy in this paper. The evasion attack utilizes the classification surface of SVM to iteratively find the minimal perturbations that mislead the nonlinear classifier. Specially, we propose what is called a vulnerability function to measure the vulnerability of the SVM classifiers. Utilizing this vulnerability function, we put forward an effective defense strategy based on the kernel optimization of SVMs with Gaussian kernel against the evasion attack. Our defense method is verified to be very effective on the benchmark datasets, and the SVM classifier becomes more robust after using our kernel optimization scheme. 相似文献
19.
支撑矢量预选取的双色Voronoi图方法 总被引:5,自引:1,他引:4
支撑矢量机是在统计学习理论的基础上发展出来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,在支撑矢量机中,支撑矢量的选取相当困难,成为其应用的瓶颈问题。该文利用Voronoi图在特征空间特有的构造特性,提出了一种预先选取支撑矢量的新方法双色Voronoi图方法。该方法针对数据在空间的分布特性,在训练支撑矢量机以前,利用样本数据的双色Voronoi图确定候选的支撑矢量,然后在这些预选的矢量上进行学习。试验证明了该方法的有效性及可行性。 相似文献