基于SSA-AdaBoost-SVM的变压器故障诊断

针对支持向量机(SVM)诊断变压器故障的效果不稳定的问题,利用AdaBoost集成算法对其强化,得到的AdaBoost-SVM模型诊断结果比较稳定,但准确度依然有待提高.因此,提出利用麻雀搜索算法(SSA)对AdaBoost-SVM模型进行优化,指定其弱分类器权重口αt、SVM惩罚因子c和核参数g的寻优范围,使用SSA...     

基于支持向量机的磁共振脑组织图像分割

脑组织图像分割在医学图像分析中具有重要的理论和应用价值。由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维情况下,具有较好的泛化性能,因此可采用支持向量机方法对磁共振脑组织图像进行分割研究。为了验证支持向量机分割磁共振脑组织图像的效果,利用支持向量机进行了脑组织图像分割实验。实验结果表明:核函数及模型参数对支持向量机的分割性能有较大的影响;支持向量机方法适合作为小样本情况下的学习分类器;对目标边界模糊、目标灰度不均匀及目标不连续等情况下的图像(如医学图像)分割,支持向量机方法也是一个好的选择。     

基于球向量机的图像分割

由于图像数据量庞大,将标准支持向量机应用于图像分割时,其训练的时间复杂度较高。通过使用球向量机对图像进行分割,以降低训练过程消耗的时间。实验表明,在无噪声和有噪声情况下,使用球向量机对图像进行分割,其分割效果和抗噪性能与标准支持向量机的分割效果基本相同。然而,球向量机在训练过程中所消耗的时间显著小于标准支持向量机。应用球向量机进行图像分割,可以显著提高图像分割的整体性能。     

基于IVUS图像的动脉硬化斑块分析与识别

在血管内超声图像中识别动脉硬化斑块类型,为临床诊断动脉血管病变提供了客观依据.针对动脉血管内斑块超声波图像的特征,选取斑块及其外围区域图像,通过K-L变换提取图像分类信息,利用支持向量机模型设计分类器识别动脉斑块的类型.实验结果表明本方法对不同斑块的正确识别率均达到80%以上,所构造的识别系统具有较高的正确识别率.     

基于支持向量机的多光谱显微细胞图像分割

文章根据多光谱图像数据维数高的特点,以像素各个波段的灰度值为特征,采用支持向量机(SVM)方法为核心来分割多光谱显微细胞图像。为提高计算速度,在亮度和色度分量上利用阈值分割法进行预处理;同时,对SVM分割后的图像,采用基于区域灰度差的生长准则进行后处理,获得了更好的分割效果。最后把支持向量机(SVM)方法与径向基神经网络(RBFNN)方法进行比较,实验结果表明,SVM分割效果优于RBFNN,是一种精度高、速度快的多光谱显微细胞图像分割方法。     

支持向量机在核磁共振脑组织图像分割中的应用

在医学图像分析中,脑组织图像分割有着重要的研究与应用价值。采用支持向量机方法对核磁共振脑图像进行研究。传统的支持向量机方法在图像分割中一般选用方形的区域,用该区域的像素灰度和纹理特征作为支持向量的训练样本,对图像进行提取和分析,得到分类结果。提出了一种新型的研究区域,在该区域上提取训练样本,对核磁共振脑图像进行分类。分类结果显示用新型区域做的图像分割提高了正确率。     

一种用于中文主题分类的CSVM算法

提出一种新的级联支持向量机分类算法CSVM,结合AdaBoost算法框架与支持向量机(SVM)进行多分类处理。针对多分类问题中支持向量机处理样本数量多和计算时间过长的问题,引入最小闭合球算法对原始样本数据进行提取,以缩短SVM的训练时间。实验结果表明,CSVM算法具有与AdaBoost-SVM算法相似的精确度,而计算时间仅为AdaBoost-SVM算法的35%。     

SVM图像分割方法的研究

支持向量机分类方法已应用于图像分割。本文以彩色图像分割为例,通过对支持向量机图像分割方法和基于灰度直方图图像分割方法进行比较研究。研究揭示:支持向量机图像分割方法是一种在SVM图像上的全局门限分割,并能自动获得默认门限值。使用支持向量机图像方法的这一特点,很容易使其它的分割方法与支持向量机方法相结合,产生新的混和方法。     

基于粗糙集和支持向量机的图像分割技术研究

为了提高图像分割精度和实用性,利用粗糙集和支持向量机优点,提出一种基于粗糙集和支持向量机相融合的图像分割算法。首先利用粗糙集图像区域特征进行约简,以降低特征向量维数,然后采用支持向量机对这些特征进行学习,建立图像分割模型,从而实现图像的分割。实验结果证明,该方法不仅提高了图像分割精度,大大缩短了训练时间,而且分割效果要优于常规图像分割算法,能够很好满足图像处理的实时性要求,为进行图像分割提供了一个新的研究思路。     

MK-LSSVM与AdaBoost-SVM在分类中的比较和研究

对基于多核函数的最小二乘支持向量机算法(MK-LSSVM)和采用支持向量机作为弱分类器的AdaBoost算法(AdaBoost-SVM)这两种新型的分类算法进行了研究.将这两种算法应用于求解心脏单光子发射计算机化断层显像(SPECT)图像数据的二分类问题和iris数据集的多分类问题,并从平均分类精度和平均运行时间两方面进行比较分析.最后通过Sammon映射给出了分类的可视化结果.试验结果验证了MK-LSSVM算法和AdaBoost-SVM算法的有效性和可行性,且MK-LSSVM算法在不损失分类精度的前提下,能够获得比AdaBoost-SVM更快的训练速度.