基于自适应投影算法和修正核函数算法的混合支撑矢量机

提出了基于自适应投影算法和修正核函数算法的混合支撑矢量机，根据修正核函数算法的正形投影变换，将问题映射到黎曼空间来增大分类面，从而提高支撑矢量机的分类精度，但其缺陷在于它帅两步优化实现的，因此增加了时间复杂度，基于此，混合支撑矢量机使用自适应投影算法对支撑矢量进行预选取，即通过投影从训练样本中选择部分样本作为中心矢量进行训练，实验结果表明：此方法在可分性得到显著提高的同时提高了速度。     

基于支撑矢量机的自动视频分类方法

提出了一种基于支撑矢量机和中心距离比值的自动视频分类方法。它通过提取视频镜头中的颜色和运动特征,利用核支撑矢量机将视频的低级别特征映转到其高层的语义特征上,并在进行支撑矢量机训练算法之前使用了中心距离比值法进行支撑矢量的预选取,实现了语义内容上的自动视频分类。仿真结果表明,该算法能对视频进行比较准确的分类。     

基于区分矩阵与近似的支撑矢量机的医学影像库分类策略

针对医学影像库信息量大、关联信息多、对象复杂等特点,将基于区分矩阵的属性约简算法与一种近似的支撑矢量机算法相结合实现了对医学影像库的正常、异常分类。基于区分矩阵的属性约简算法有效地降低了医学影像库的维度,而非线性的近似支撑矢量机算法则克服了标准支撑矢量机在实际应用中表现出来的算法速度慢、算法过于复杂而难于实现以及检测阶段运算量大等缺陷。实践证明了该方法的确具备简单、快速,高效的特点。     

基于核Fisher判别分析的目标识别

核Fisher判别分析是基于Fisher线性判别提出的一种非线性分类方法,其主要思想是首先把样本映射到某一特征空间,然后在此特征空间进行Fisher线性判别,这样就隐含地实现了原输入空间的非线性判别. 分析了核Fisher判别方法的分类机理,然后基于此方法对三类实际的船舶目标噪声谱进行了识别,并与神经网络、支撑矢量机等其他分类方法做了比较. 实验结果表明,核Fisher判别分析(加上一线性支撑矢量机做阈值估计)的识别效果优于其他分类算法.     

基于大规模数据的支撑矢量机的训练和分类

支撑矢量机是一种基于统计学习理论的、新颖且有强的泛化性能的学习方法，可看作是一种训练多项式神经网络或径向基函数分类器的新方法。支撑矢量机可用于模式识别、回归估计、求解线性算子方程等。介绍了支撑矢量机的分类机理，并针对大规模数据讨论其训练和分类中存在的问题及典型的解决方法。     

基于贝叶斯估计特征分布融合的目标分类方法

为研究雷达目标分类方法,对基于贝叶斯估计特征分布融合的目标分类方法进行了研究.根据目标点迹参数具有随机性特点,建立特征模型;然后对目标真假特征分布进行基于贝叶斯估计下的融合,融合后的多维分布在分类导向矢量的作用下得到分类界面的确定和特征降维处理,得到目标一维高斯概率分布;最后根据目标分布距离积分得到目标概率,以概率门限为准则完成目标分类.通过对二维、三维及多维特征下目标分类算法的分析、计算和仿真,验证了方法的有效性.     

贝叶斯集成框架下的极化SAR图像分类

对于极化合成孔径雷达(SAR)图像,由于雷达角度和地物形状导致属于同一类的数据可能存在较大的差异性.针对此问题提出了一种基于贝叶斯集成框架的极化SAR图像分类方法.该算法采用贝叶斯集成,通过学习不同个体而获得的分类面来改善极化SAR图像分类性能.首先,输入极化SAR图像,并获得其对应的极化SAR数据及特征.从图像的每一类中任意选择像素点作为图像分类的原始训练样本,并对其进行随机划分获得不同的样本子集.然后,基于获得的样本子集构造对应极化SAR图像的贝叶斯集成框架.最后,通过构造的贝叶斯集成框架对极化SAR图像进行分类.特别在构造贝叶斯集成框架中采用支撑矢量机作为基本的分类器算法.实验结果表明,所提出的算法相比经典的极化SAR分类方法和单个SVM的极化SAR分类方法获得更好的分类性能.     

基于支撑矢量机的TD-SCDMA系统多用户检测器

基于多用户检测的分类模型，提出了一种基于支撑矢量机的非线性多用户检测器，利用TD-SCDMA系统的Midamble来训练支撑矢量机，逼近最优检测器．与已有的其他检测器相比，支撑矢量机多用户检测器是基于结构风险最小化原理构造的，其推广能力较好且所需训练样本数较少；另外，支撑矢量机多用户检测器的非线性特性可以比线性检测器更好地逼近最优检测器．利用TD-SCDMA系统多径环境下的仿真结果验证了该检测器的可行性和有效性．     

利用集成支撑矢量机提高分类性能

为了提高支撑矢量机的泛化性能,利用l倍交叉筛选和控制样本特征属性策略建立了集成支撑矢量机,该集成策略加强了子分类器之间的互异性,进一步提高了集成学习机的分类性能,提高了学习机的泛化性能,同时具有较好的鲁棒性.     

基于支撑矢量机的遥感图像目标识别

基于支撑矢量机对二值遥感图像飞机目标进行了识别，与欧氏距离判别法和神经网络方法的识别结果比较，表明对以矢量表示的高维二值为特征的图像识别问题，支撑矢量机方法具有良好的推广能力。而且，不同图像的二值化取值范围对识别结果有着直接的影响。     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO—IKPCA和SVM的雷达目标HRRP特征提取与识别方法。讨论了HRRP预处理、迭代KPCA算法和SKO／FKO技术的实现方法,将SKO／FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验。结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能。     

基于AdaBoost.ECOC的合成孔径雷达图像目标识别研究

为了提高合成孔径雷达图像目标识别系统的性能,提出了一种合成孔径雷达图像目标识别的新方法,结合纠错输出码对基本AdaBoost算法进行多类别推广,并将推广后的算法(AdaBoost.ECOC)应用于合成孔径雷达图像目标识别.用运动和静止目标获取与识别数据库中的三类地面军事目标进行识别实验,并将识别结果与其他识别方法进行比较.实验结果表明,提出的基于AdaBoost.ECOC的识别算法可以有效地应用于合成孔径雷达目标识别,并能显著提高目标识别系统的识别性能.     

多极化SAR图像目标的智能识别应用研究

针对小样本集的多极化合成孔径雷达(SAR)图像目标,提出利用迁移学习、多极化SAR图像增广以及网络架构适应性改进,实现了多极化SAR图像目标端到端的智能分类识别;利用实测机载全极化SAR目标图像进行了实验.实验结果表明,与传统机器学习SVM方法相比,基于多极化SAR深度学习方法所包含的多个神经网络隐含层能自适应地提取目标高层语义特征,其目标分类识别精度更高,从而验证了本文深度学习方法用于多极化SAR图像目标识别分类的有效性.     

一种基于支持向量机的目标定位方法

为了提高声纳在浅水域的性能，提出了一种基于统计学习理论的目标识别器的目标定位方法.该方法选择支持向量机（SVM）作为学习算法的核心.从已知训练样本得到多通道数据的协方差矩阵，将得到的矩阵转化为SVM的输入多维特征向量，并训练SVM而获得权向量.利用此权向量和SVM输出估计，可以得到目标位置信息.理论推导和仿真结果表明，与多重信号分类（MUSIC）算法相比较，该方法具有高的定位精度和快的收敛速度.该方法能有效地对在平面波模型下的目标进行测向，并具有鲁棒性.     

基于支持向量机与粗糙集理论的病例诊断

针对支持向量分类机在病例诊断中,训练样本大、诊断速度慢的不足,根据粗糙集理论的属性约简和支持向量机的分类机理,提出了一种混合分类算法,对病例进行诊断.应用粗糙集理论在不损失有效信息的情况下对属性进行预处理,从决策表中删除冗余的属性和冲突对象,降低支持向量机的维数和分类过程中的复杂度.然后利用支持向量机的分类机原理,对对象进行分类和预测,从而达到对病例进行诊断.实验证明在通过粗糙集对信息约简后,在合理降低准确率的情况下提高了诊断速度,从而解决了支持向量分类机在处理大量病例信息情况下,诊断速度慢的问题.     

改进的球结构SVM多分类增量学习算法

针对球结构支持向量机(support vector machine,SVM)增量学习算法在训练时间和分类精度上的不足,提出了一种改进的球结构SVM多分类增量学习算法.该算法首先构造一个完全二叉树用于多类分类;分析新增样本的加入对原支持向量集的影响,将新增样本集中部分样本和原始训练集中的支持向量以及分布在球体一定范围内的样本合并做为新的训练集,完成分类器的重构.实现通过减少训练样本缩短训练时间和完善分类器提高分类精度的目的.通过UCI标准数据集实验,结果表明,该算法在所需训练的样本数、训练时间以及准确率3方面都优于球结构SVM增量学习算法,尤其当样本分布不平衡时,该算法有更高的分类准确率.     

一种改进的SVM决策树Web文本分类算法

SVM决策树能够较好地进行Web文本信息分类,在此基础上进一步结合遗传算法,将SVM决策树分类器的分类正确率作为GA适应度函数,对SVM决策树层次结构进行优化,在每一决策节点自动选择最优或近优的分类决策。实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与SVM决策树结合的优越性。     

基于慢时间分割的超宽带雷达步态识别

为了解决室内监控时摄像头的隐私泄露问题和可穿戴设备的侵入性等问题,同时针对传统雷达步态识别算法中的行走条件限制问题,提出基于超宽带（UWB）雷达的自由空间步态识别算法.算法沿慢时间轴对目标行走动作产生的雷达步态信号进行分割产生一系列子信号;对于每个子信号,在距离单元上分别进行傅里叶变换得到距离-多普勒图像,这些距离-多普勒图像前后之间存在时序关系;利用方向梯度直方图算法对属于同一个步态信号的一组距离-多普勒图像进行特征提取,采用长短期记忆网络对得到的特征进行时序建模以获取目标身份分类结果. 实验在空旷的室内环境中进行,对四人的步态分类准确率为79.10%. 结果表明所提出的算法对自由空间中不同个体的步态具有一定的区分能力.     

一种非线性支持向量机决策树多值分类器

提出了一种非线性支持向量机决策树的分类算法．该算法通过核函数将支持向量机推广到非线性支持向量机,并在非线性映射后计算特征空间中类间相对分离度,得到类的易分程度．在支持向量机决策树分类中引入相对分离度,有效地降低累积误差,减少计算规模,从而提高分类精度与分类效率．实验结果表明,与一般的线性支持向量机决策树分类算法相比,该算法的分类精度有了明显提高,同时其分类时间也相应降低．     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.