改进的投影孪生支持向量机

针对投影孪生支持向量机（Projection Twin Support Vector Machine,PTSVM）在训练和求解过程中存在的问题,提出了一类改进的投影孪生支持向量机（Improved PTSVM）,简称为IPTSVM.该文首先构造了改进的线性投影孪生支持向量机,然后利用核技巧轻松将其推广到了非线性形式.本文的主要贡献有：（1）提出了投影孪生支持向量机的新模型,克服了原始PTSVM在训练之前需要求解两个逆矩阵的问题;（2）继承了传统SVM（Support Vector Machine）的精髓,利用核技巧直接将线性IPTSVM推广到非线性形式;（3）引入了一个新的参数,可以调节模型的性能,提高了IPTSVM的分类精度.实验结果表明,与PTSVM算法相比较,IPTSVM不仅提高了分类精度,而且克服了PTSVM的一些不足.     

双重降维HOG结合SVM的快速手指静脉识别

为减少手指静脉识别时间,提出一种双重降维方向梯度直方图特征(Histogram of Oriented Gradient,HOG)结合支持向量机(Support Vector Machine,SVM)分类的手指静脉识别方法.针对传统HOG算法特征维数高的问题,首先通过Fisher准则衡量梯度方向区间HOG特征的分类能力...     

基于先验信息的SVM红外光谱定性分析方法

通过将类不变性先验信息融入到支持向量机(Support Vector Machine,SVM)算法的目标函数中,提出了一种基于漂移约束的SVM红外光谱定性分析算法。该算法将红外光谱的漂移项模拟成一个低阶多项式,并在SVM优化目标中要求决策面的法向量与漂移方向垂直,从而使分类器能够消除样本漂移影响。详细讨论了波段选择和正则化参数对分类准确率的影响,并对比了各种变形SVM算法的分类效果。实验结果表明,与标准的SVM算法及其各种变形算法相比,本文提出的DCSVM算法具有更高的分类准确度。     

一种基于支持向量机的雷达多目标分类方法

针对小样本条件下雷达目标分类精度低的问题,提出了一种基于支持向量机(Support Vector Machine,SVM)的雷达目标分类方法。通过雷达目标特征的提取、选择和分类器的设计,实现了目标的多分类,且提高了目标分类精度。实验结果表明,基于二维特征的分类器可实现多目标的高精度分类,且平均分类精度均优于85%。     

混合核函数SVM在变压器状态评估中的应用

核函数是SVM(Support Vector Machine,支持向量机)的重要组成部分,核函数的选取对分类效果有明显的影响。该文把混合核函数引入到变压器状态评估中。实例分析表明,混合核函数支持向量机提高了状态评估的准确率。     

多项式光滑孪生支持向量回归机

针对光滑孪生支持向量回归机（Smooth Twin Support Vector Regression ,STSVR）中Sigmoid函数逼近精度不高的问题,将正号函数展开为无穷多项式级数,由此得到一族光滑函数。采用该多项式光滑函数逼近孪生支持向量回归机的不可微项,并用New ton-Armijo算法求解相应的模型,提出了多项式光滑孪生支持向量回归机（Poly-nomial Smooth Twin Support Vector Regression ,PSTSVR）。不仅从理论上证明了PSTSVR的收敛性和满足任意阶光滑的性能,而且在人工数据集和UCI数据集上的实验表明了PSTSVR比STSVR具有更好的回归性能。     

一种改进的图像拼接检测算法

通过对图像拼接技术特点的分析,提出一种基于图像纹理特征分析和马尔科夫模型的改进的拼接图像检测算法。该算法计算图像DCT域上的马尔科夫转移概率矩阵,同时对图像进行纹理分析,得到两类特征共178维。为评估该检测算法的性能,提出了一个具体实现方案,提取了图片数据集的特征,使用支持向量机（Support Vector Machine,SVM）对特征数据进行训练与分类。实验表明,该方法取得了较好的分类效果。     

MC-CDMA uplink的一种新型多用户检测技术

由于多载波传输数据和基于快速傅里叶变换（Fast Fourier Transform，FFT）的矩形窗截取，MC—CDMA（Muhi—Carrier CDMA）系统对频率偏差十分敏感，同时上行链路信号的异步性和信道的非线性，令MC—CDMA从单载波扩频系统继承来的线性多用户检测手段和分集合并技术变得不再有效，信道估计困难而不准确。为了在这种条件下提高信号检测的性能，提出了基于支撑向量机增量学习算法（Incremental Support Vector Machine，ISVM）的MC—CDMA上行链路多用户检测器。该检测器在标准支撑向量机（Support Vector Machine，SVM）的基础上舍弃历史样本，减少不必要的训练，同时合理地处理了新增样本和原支撑向量机分界面的关系，保留了强大的非线性分类力。通过仿真实验，与常用的检测技术以及最佳检测曲线比较，表明该检测器能很好地逼近最佳检测器。     

一种改进的Laplacian SVM的SAR图像分割算法

当有标识的样本数量有限时,Laplacian SVM算法需要加入尽量多的无标识样本,以提高分类精度.但同时当无标识样本数很大时,算法的时间和空间复杂度将难以接受.为了将Laplacian SVM应用于SAR图像分割这样的大规模分类问题中,提出了一种改进的Laplacian支持向量机算法(Improved Laplaci...     

基于LS-SVM的宽带接收前端非线性补偿算法

针对目前常用的基于参数化非线性模型（Parameterized Nonlinear Model,PNM）的补偿算法存在易陷入局部最小值，导致补偿性能不稳的问题，该文提出了基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的宽带接收前端非线性补偿算法.该算法基于减谱-时频变换法（Spectrum Reduction Algorithm based on Time-Frequency Conversion,SRA-TFC）盲分离接收前端输出信号中的大功率基波信号和其他小功率信号，并以此作为LS-SVM逆模型的训练输入-输出样本对.引入最小二乘支持向量回归（Least Squares Support Vector Regression,LS-SVR）算法高精度拟合接收前端非线性逆模型.通过以宽带接收前端的输出信号为测试样本消除其非线性失真分量.仿真与实测结果表明：该算法可使宽带接收前端的无杂散失真动态范围（Spurs-Free-Dynamic-Range,SFDR）提高约20 dB，较基于PNM的补偿算法提高了约5 dB.     

代价敏感的半监督Laplacian支持向量机

代价敏感学习是机器学习领域的一个研究热点.在实际应用中,数据集往往是不平衡的,存在着大量的无标签样本,只有少量的有标签样本,并且存在噪声.虽然针对该情况的代价敏感学习方法的研究已取得了一定的进展,但还需要进一步的深入研究.为此,本文提出了一种基于代价敏感的半监督Laplacian支持向量机.该模型在采用无标签扩展策略的基础上,将考虑了数据不平衡的错分代价融入到Laplacian支持向量机的经验损失和Laplacian正则化项中.考虑到噪声样本对决策平面的影响,本文定义了一种样本依赖的代价,对噪声样本赋予较低的权重.在7个UCI数据集和8个NASA软件数据集上的实验结果表明了本文算法的有效性.     

一种基于变分的红外和微光遥感图像融合模型

为了充分利用红外和微光遥感图像中的互补信息,使其便于目视解译,提出了 一种基于变分的图像融合方法。该变分模型定义了细节注入项和结构保真项,在保持红外和微光图像 光谱特性的同时,还改进了融合图像的空间细节和结构特性;引入了正则化能量项,保证了泛函最优解 的平滑性。基于梯度下降流,通过数值迭代获得了融合图像。实验结果表明,该模型能够获取兼具 丰富细节信息和光谱信息的融合图像。与Laplacian金字塔分解方法和多孔小波方法相比,本文 方法具有更佳的融合性能。     

Image annotation using high order statistics in non-Euclidean spaces

Automatic image annotation is a promising way to achieve more effective image retrieval and image analysis by using keywords associated to the image content. Due to the semantic gap between low-level visual features and high-level semantic concepts of an image, however, the performances of many existing algorithms are not so satisfactory. In this paper, a novel image classification scheme, named high order statistics based maximum a posterior (HOS-MAP), is proposed to deal with the issue of image annotation. To bridge the gap between human judgment and machine intelligence, the proposed scheme first constructs a dissimilarity representation for each image in a non-Euclidean space; then, the information of dissimilarity diffusion distribution for each image is achieved with respect to the high-order statistics of a triplet of nearest neighbor images; finally, a maximum a posteriori algorithm with the information of Gaussian Mixture Model and dissimilarity diffusion distribution is adopted to estimate the relevance between each annotation and an input un-annotated image. Experimental results on a general-purpose image database demonstrate the effectiveness and efficiency of the proposed automatic image annotation scheme.     

Semi-Supervised Graph-Based Hyperspectral Image Classification

This paper presents a semi-supervised graph-based method for the classification of hyperspectral images. The method is designed to handle the special characteristics of hyperspectral images, namely, high-input dimension of pixels, low number of labeled samples, and spatial variability of the spectral signature. To alleviate these problems, the method incorporates three ingredients, respectively. First, being a kernel-based method, it combats the curse of dimensionality efficiently. Second, following a semi-supervised approach, it exploits the wealth of unlabeled samples in the image, and naturally gives relative importance to the labeled ones through a graph-based methodology. Finally, it incorporates contextual information through a full family of composite kernels. Noting that the graph method relies on inverting a huge kernel matrix formed by both labeled and unlabeled samples, we originally introduce the Nystro umlm method in the formulation to speed up the classification process. The presented semi-supervised-graph-based method is compared to state-of-the-art support vector machines in the classification of hyperspectral data. The proposed method produces better classification maps, which capture the intrinsic structure collectively revealed by labeled and unlabeled points. Good and stable accuracy is produced in ill-posed classification problems (high dimensional spaces and low number of labeled samples). In addition, the introduction of the composite-kernel framework drastically improves results, and the new fast formulation ranks almost linearly in the computational cost, rather than cubic as in the original method, thus allowing the use of this method in remote-sensing applications.     

基于超图正则化受限的概念分解算法

针对概念分解(Concept Factorization, CF)算法没有同时考虑样本中存在的类别信息及数据间多元几何结构信息的问题,该文提出一种基于超图正则化受限的概念分解(Hyper-graph regularized Constrained Concept Factorization, HCCF)算法。HCCF算法通过构建一个无向加权的拉普拉斯超图正则项,提取数据间的多元几何结构信息,克服了传统图模型只能表达数据间成对关系的缺陷;同时采用硬约束的方式使样本的类别信息在低维空间中保持一致,充分利用了标记样本的类别信息。该文采用乘性迭代的方法求解HCCF算法的目标函数并证明了其收敛性。在TDT2库、Reuters库和PIE库上的实验结果表明,HCCF算法提高了聚类的准确率和归一化互信息,验证了算法的有效性。     

基于正则化稀疏表示的图像超分辨率算法

为了从单幅低分辨率(LR)图像恢复出高分辨率(H R)图像,提出了一种应用正则化稀疏表示和基于机器学习 的超分辨率(SR)图像恢复算法。构造了一种基于稀疏表示的SR凸变模型,为了提高 恢复效果,针对模型 提出了两种稀疏正则化约束条件,一是将分类效果更好的图表拉普拉斯作为正则化约束条件 ,从而找到与 输入LR图像块在结构上最接近的学习样本;另一种是针对冗余的学习样本进行约 束,保证了图像边 缘的锐利。将输入的每一块LR图像应用正则化稀疏表示,经过学习得到与之对应的HR图像块 , 最终得到整幅HR图像。试验结果表明,算法恢复出的HR图像峰值信噪比(PSNR )值较双三次插值算法最高提升约2dB,主观目视清晰、边缘锐利。     

基于特征重要性的高光谱图像分类

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息,本文提出了一种基于特征重要性的卷积神经网络（convolutional neural networks,CNN）分类模型。首先,利用贝叶斯优化训练得到的随机森林模型（random forest,RF）对高光谱遥感图像进行特征重要性评估;其次,依据评估结果选择合适数目的高光谱图像波段,以作为新的训练样本;最后,利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据,实验结果均表明:相比原始光谱信息直接采用支持向量机（support vector machine,SVM）和卷积神经网络的分类效果,本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。     

Unsupervised discriminative hashing

Hashing is one of the popular solutions for approximate nearest neighbor search because of its low storage cost and fast retrieval speed, and many machine learning algorithms are adapted to learn effective hash function. As hash codes of the same cluster are similar to each other while the hash codes in different clusters are dissimilar, we propose an unsupervised discriminative hashing learning method (UDH) to improve discrimination among hash codes in different clusters. UDH shares a similar objective function with spectral hashing algorithm, and uses a modified graph Laplacian matrix to exploit local discriminant information. In addition, UDH is designed to enable efficient out-of-sample extension. Experiments on real world image datasets demonstrate the effectiveness of our novel approach for image retrieval.     

一种考虑光谱变异性的高光谱图像非线性解混算法

非线性解混可以解释高光谱图像复杂场景中的非线性混合效应,但地物的光谱变异性是其中的一个难点。提出一种考虑光谱变异性的无监督非线性解混算法。通过核函数将原始高光谱图像数据隐式地映射到高维特征空间中,从而在该空间中结合光谱变异性进行线性解混;与此同时,依据实际地物的分布特性,添加丰度和光谱变异系数的局部平滑约束。模拟和真实高光谱数据的实验结果表明,该方法能克服不同非线性混合场景中存在的光谱变异性问题,提高光谱解混的精度。