基于相关向量机的在线网络流量分类方法

在研究、分析分类结果预测概率及其对分类准确率影响的基础上,提出了一种新的基于相关向量机(RVM)的在线网络流量分类方法:首先,利用RVM对网络流量分类,输出分类结果预测概率;对于置疑区间[0.1,0.9]内的网络流,采用"端口号+深度数据包检测(DPI)"相结合的方法重新进行识别;对于预测概率处于[0,0.1]和[0.9,1]区间的分类结果则完全采纳。实验表明:该方法的整体分类准确率能达到98%左右,且实时性较好。     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

近红外漫反射聚类法无损快速测定淀粉品质

提出一种基于近红外光谱技术和聚类分析法对不同种类的淀粉进行无损快速鉴别的方法,研究了近红外光谱结合聚类分析法快速鉴别淀粉种类的可行性.采集样品在12 500~4 000cm-1范围内的近红外漫反射光谱,利用光谱模式识别法中的聚类分析法对图谱进行定性分类鉴别.光谱经一阶导数预处理后,采用聚类分析法可准确无误地将样品分为2类,分类准确率达到100%.同时采用预测集的样品验证所建模型的准确性,经实验得出预测准确率也是100%.实验结果表明,近红外漫反射光谱结合聚类分析法可以为快速无损鉴别淀粉种类提供一种准确可靠的方法.     

基于 EMD 和 RVM 的股指期货价格预测

提出了一种基于EMD（经验模态分解）与RVM（相关向量机）的股指期货价格预测方法。首先将目标价格序列通过EMD技术进行分解,然后对分解后的分量进行重组得到三个新序列,通过分析这三个新序列的特点,构造不同的RVM模型对每个新序列分别进行预测,最后将三个新序列的预测结果通过RVM组合得到最终预测值。实验结果表明,该方法能取得良好的预测效果。     

一种基于卷积神经网络的快速识别朱墨时序方法

朱墨的时序检测在文件检测和司法公正领域中是较为常见的问题.由于判定结果的准确性无法准确衡量,提出了基于卷积神经网络快速识别朱墨时序的方法.基于不同时序的朱墨样本在朱墨重叠处图像色素点的区别,用卷积神经网络做有监督训练分类,最终达到识别图像朱墨顺序的 目的.在理想的实验条件下,同一支笔的预测准确率能达到93％以上,泛化能力高达86％.在加入高斯噪声后,同一支笔的预测准确率仍能达到82％以上,泛化能力达到80％,大幅度提高了朱墨时序图像识别的准确性和稳定性.     

类间距节点优化DDAG-SVM算法在多故障诊断中的应用

针对决策导向无环图支持向量机(DDAG-SVM)方法根节点的选择会影响分类结果的不同及影响故障诊断的准确性的问题,文中将DDAG-SVM多分类方法中的节点进行优化,得到了一种通过计算类间距确定分类树根节点的改进算法.实验结果表明:类间距节点优化的DDAG-SVM方法较传统DDAG-SVM分类方法准确率提高了4%,且分类效率提高了26.1%.     

基于RVM和WPHM的滚动轴承剩余寿命预测

针对在直接预测传统滚动轴承剩余寿命中呈现出精度不高及预测结果无法体现个体差异性的问题,提出一种基于相关向量机(RVM)和威布尔比例故障率模型(WPHM)的滚动轴承剩余寿命预测方法,采用Cincinnati大学滚动轴承全寿命实验数据进行仿真实验,计算结果表明提出的预测方法能实现对滚动轴承剩余寿命的预测,预测趋势与实际情况相符程度高,有较好的预测结果,具有一定的应用价值.     

KPCA-RVM组合建模方法及其在软测量中的应用

提出了一种核主元分析(KPCA)和关联向量机(RVM)相结合的组合建模方法。KPCA - RVM采用KPCA对原始自变量进行非线性变换并提取主成分,形成特征自变量;采用 RVM,对 KPCA变换后的样本数据进行回归建模,并根据模型的预报能力自适应的确定参与回归的最佳特征变量个数,消除冗余信息干扰,获得强非线性表达能力且预报性能良好的模型。并将KPCA - RVM应用于 PTA装置对羧基苯甲醛(4 - CBA)含量的软测量建模,结果表明该方法预测精度高于PCA - RVM和RVM。     

一种红细胞特征提取与分类识别的研究

为解决血涂片细胞形态学检查中存在的一些问题,提高贫血检验的效率和准确率,运用图像特征提取与分类识别技术,对12类形态产生变异的红细胞进行图像特征提取研究,选择了5类几何特征和2类纹理特征,同时改进了圆形度的表达公式,并将多级SVM分类器结构应用到分类识别中.实验证明,改进的圆形度表达式能提高分类的准确率,树形结构的分类器预测分类效果理想,为计算机自动分析血细胞提供了理论和方法,对于贫血的诊断有着重要的意义.     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。     

New method for recognition of circular traffic sign based on radial symmetry and pseudo-zernike moments

Recognizing various traffic signs,especially the popular circular traffic signs,is an essential task for implementing advanced driver assistance system.To recognize circular traffic signs with high acc...     

一种基于相关向量机的调制方式识别算法

针对数字信号的调制方式识别问题,给出了一种基于相关向量机的分类方法。相关向量机基于贝叶斯学习方法,其判决函数仅取决于训练样本的一小部分。文章提取信号的谱相关特征参数,设计了合理的分类策略。实验结果表明,与支持向量机相比,基于相关向量机的分类方法在保持较高识别率的同时,提高了调制识别的时效性。     

基于CNN多层特征和ELM的交通标志识别

针对传统神经网络仅利用端层特征进行分类导致特征不全面,以及交通标志识别中计算量大、时间长等问题,提出基于多层特征表达和极限学习机的交通标志识别方法。利用CNN网络提取多层交通标志特征图;采用多尺度池化操作,将提取出的各层特征向量联合形成一个具有多尺度多属性特征的交通标志特征向量;使用极限学习机分类器准确快速地实现交通标志的识别。实验结果表明,该方法能有效地提高交通标志识别的准确率,且具有较好的泛化能力和实时性。     

基于多特征融合的交通标志分类

为有效提高交通标志分类的准确度,提出一种融合全局特征和局部特征的多特征交通标志分类方法。首先提取能够描述标志图像内部纹理信息的局部二值模式(local binary pattern, LBP)特征,再提取能够表示标志图像形状信息的方向梯度直方图(histogram of oriented gradient, HOG)特征和描述图像粗略轮廓信息的全局Gist特征,然后采用线性组合方式,实现特征融合互补,并通过主成分分析(principal components analysis, PCA)法进行数据降维,最后采用支持向量机(support vector machine, SVM)分类器进行交通标志训练与识别。试验结果表明:相对于单一特征的交通标志分类方法,基于多特征融合的算法获得了更高的分类精确度,同时也满足实时性要求。     

混合交通特征表达及快速检测算法

针对混合交通特征表达和分类识别的问题,提出了基于边缘偏心率向量的混合交通视频检测算法。将利用上下文比对获取的边缘信息与图像重心相结合构建混合交通的边缘偏心率向量,对混合交通前景进行了特征表达。再结合极限学习机建立了快速学习机制,实现了快速分类识别,克服了采用支持向量机训练难以达到实时检测的问题。试验结果表明:本文算法中各个类别的混合交通边缘偏心率特征区分明显,识别准确率可达93%以上,且处理速度快,能够满足实时检测的需求。     

相关向量机及在说话人识别应用中的研究

对基于相关向量机和高斯混合模型的说话人识别算法的模型和特征空间进行了一系列的研究。与一些基于语音帧的说话人识别算法相比,该算法将GMM算法作为底层的语音特征提取,从而实现对语音整体上的处理,对常用的两种语音特征美尔频率倒频系数和瞬时频率的表现进行了对比研究;同时,该算法充分利用了相关向量机的所提供的高泛化性、核函数功能和结果的高稀疏性。基于Chains和AHUMADA两个专门用于说话人识别的语音库的仿真表明,该算法在减少相对误差和减少计算量方面有较大的优势。     

基于DPI和机器学习的网络流量分类方法

网络流量分类是实现网络管理的重要技术之一,但是单一的基于DPI或是机器学习的分类方法分类精确度低.提出了一种基于DPI和机器学习相结合的网络流量分类方法.该方法采用DPI检测已知特征的网络流量,利用机器学习方法辅助分析未知特征以及加密的网络流.实验表明该方法能够提高网络流量分类的精确度.