基于字符匹配度的SVM多分类器设计简

本文介绍了常用的SVM多分类器的构造思路,并且分析比较了各种思路的优缺点。针对二叉树决策法中强制分类存在的误判情况,提出了基于字符匹配度的SVM多分类器设计方案。通过实验对比各种多分类器的分类器数量、平均分类次数、训练和判断时间、识别正确率,证明了该构造方案的优越性。     

一种新的分裂层次聚类SVM 多值分类器

提出一种分裂层次聚类SVM分类树分类方法.该方法通过融合模糊聚类技术和支持向量机算法,利用分裂的层次聚类策略,有选择地重新构造学习样本集和SVM子分类器,得到了一种树形多值分类器.研究结果表明,对于k类别模式识别问题,该方法只需构造k-1个SVM子分类器,克服了SVM子分类器过多以及存在不可区分区域的缺点,具有良好的分类性能.实验结果验证了该方法的优越性.     

基于支持向量机的人脸识别系统的研究

首先利用PCA进行人脸图像特征提取,然后将此特征数据作为分类器的输入数据。采用的分类器是利用所谓“相似性”方法构造的多个二类SVM分类器,为了提高识别正确率,在多个SVM的输出之后又增加了一级神经网络训练器。以ORL人脸库做的实验中得到了很好的识别效果。     

基于SVM的多分类器构造算法的研究

在对传统的多类分类算法研究的基础上,针对基于二值分类器的多分类器构造算法存在的预测精度低、训练时间长的缺点,提出了一种基于SVM的组合回归机构造多类分类器的算法。该算法解决了二值分类器方法中存在的信息丢失问题,同时避免了由于参数调整而造成的计算代价过大的问题。实验结果表明:新的SVM多分类算法大大降低了计算代价,提高了运行效率和预测的精度,减少了运行时间。     

基于SVM的多分类器构造算法的研究

在对传统的多类分类算法研究的基础上,针对基于二值分类器的多分类器构造算法存在的预测精度低、训练时间长的缺点,提出了一种基于SVM的组合回归机构造多类分类器的算法.该算法解决了二值分类器方法中存在的信息丢失问题,同时避免了由于参数调整而造成的计算代价过大的问题.实验结果表明:新的SVM多分类算法大大降低了计算代价,提高了运行效率和预测的精度,减少了运行时间.     

基于Stacking算法的组合分类器及其应用于中文组块分析

与基于Voting方法的组合分类器相比,提出基于Stacking算法的多分类器组合方法．通过构造一个两层的叠加式框架结构,将4种分类器(fnTBL,SNoW,SVM,MBL)进行了组合,并融合各种可能的上下文信息作为各层分类器的输入特征向量,在中文组块识别中取得了较好的效果．实验结果表明．组合后的分类器无论在准确率还是召回率上都有所提高,在哈尔滨工业大学树库语料的测试下达到了F=93．64的结果．     

基于多分类器的入侵检测系统

本文使用ICA与KPCA技术分别构造ICA-SVM与KPCA-SVM两个子分类器,在此基础上,构建基于多分类器的集成入侵检测系统。实验表明,该系统对入侵行为的分类正确率分别高于SVM、PCA-SVM、KPCA-SVM方法。     

基于体素的fMRI数据分类研究及其应用

使用机器学习方法分类f MRI(functional magnetic resonance imaging)数据已经逐渐广泛被应用到探索大脑认知的研究中。在探索人脑视觉区域对颜色特征和形状特征的捆绑图像认知研究中,使用血氧含量水平BOLD(blood oxygen level dependent)最大值、BOLD变化累计值作为特征值训练SVM分类器,使用BOLD变化时间序列方差及均值组合作为特征值训练多个SVM弱分类器,并使用Adaboost算法将多个SVM分类器集成到一起构造集成分类器,以此来判断人正在观察的图像的类型。实验结果表明,使用BOLD时间序列方差及均值组合作为特征构造的集成分类器分类正确率较高,对比不同视觉区域对特征捆绑任务识别正确率,发现V3区对图像复杂度的改变比较敏感,与特征捆绑的任务联系比较紧密。该方法可以应用到脑机接口BCI(brain computer interface)等领域。     

基于SVM主动学习技术的PU文本分类

PU文本分类(以正例和未标识实例集训练分类器的分类方法)关键在于从U(未标识实例)集中提取尽可能多的可靠反例,然后在正例与可靠反例的基础上使用机器学习的方法构造有效分类器,而已有的方法可靠反例的数量少或不可靠,同样构造的分类器也精度不高,基于SVM主动学习技术的PU文本分类算法提出一种利用SVM与改进的Rocchio分类器进行主动学习的PU文本分类方法,并通过spy技术来提高SVM分类器的准确度,解决某些机器学习中训练样本获取代价过大,尤其是反例样本较难获取的实际问题。实验表明,该方法比目前其它的主动学习方法及面向PU的文本分类方法具有更高的准确率和召回率。     

基于覆盖算法的SVM雷达辐射源识别

传统的支持向量机(SVM)多值分类算法在构造多个二值分类器时存在计算量较大和分类速度较低的问题。为此,将覆盖思想引入SVM分类算法中,提出一种基于覆盖的SVM多分类算法,通过构造覆盖集寻找更紧致的优化区域,从而提高分类速度。将该算法应用到雷达辐射源识别中,仿真结果表明,该算法能够获得较好的识别效果。     

利用篇章结构改进股评观点分类的研究

尝试将观点分类的思想和方法应用到股评观点分析领域.通过对股评篇章结构的分析,分别提取股评的标题和预测型语句,利用SVM算法,构造标题分类器和正文分类器,然后选择合适的阈值和权值融合两大分类器,自动的将股评分为看多、看平、看空三个类别.实验结果显示,与SO-PMI算法、非基于篇章结构的SVM算法相比,查准率和查全率提高了近10%,分别达到了88 0%、86 8%.     

一种改进的支持向量机及其在癌症诊断中的应用

为了改善支持向量机的泛化能力,提出了一种改进的支持向量机——SUB SVM,它把对所有训练数据训练得到的主支持向量再次训练，用得到的次支持向量构造SVM非线性分类器,将该算法应用在癌症诊断中，取得了比传统SVM分类器更高的识别率。     

基于SVM的粉末冶金零件的多类分类器的研究

传统的SVM特别适合解决两类分类问题,而对于多类分类,则需将其转化为多个两类分类问题,相应地需要构造多个两类子分类器,这样不但使得分类器结构复杂,而且分类速度受到很大的影响。为了快速地进行多类分类,本文使用LIBSVM中的svmtrain实现对训练数据集的训练,从而获取SVM多分类模型,利用获取的模型进行测试与预测,不仅使得子分类器数目大大减少,而且使分类速度明显提高。最后从粉末冶金零件图库中选取的8张图像进行了分类实验,取得较好的分类结果。     

基于SVM的旋转机械故障诊断方法

提取时域与频域共20个特征参数作为数据样本,选择适合旋转机械振动信号的径向基函数及相关参数,基于一对多法构造支持向量机(SVM)多类分类器,实现旋转机械滚动轴承的故障诊断。通过对振动信号特征进行训练与测试,并与BP神经网络进行对比结果表明,该SVM多类分类器可较好地解决小样本问题,在训练时间和识别正确率上均优于BP神经网络。     

一种基于有向无环图的多类SVM分类器

本文提出了一种多类SVM分类器--ACDMSVM,它是基于决策有向无环图和积极约束的多类SVM分类器.对于k类问题,它将k(k-1)/2个改进的二类SVM分类器进行组合.为了提高分类器的训练及决策速度,对标准的二类SVM分类器进行三个方面的改进:利用大间隔方法,对软间隔错误变量采用2-范数形式并应用积极约束.在训练阶段,使用含有根的二元有向无环图进行节点的选择,该有向无环图含k(k-1)/2个内部节点和k个叶节点.数值实验表明这是一种快速的多类SVM分类器.     

最大间隔分类器及其在入侵检测中的应用

本文研究了基于SVM的最大间隔分类器的建立及其应用,即将最大间隔理论应用到了SVM的多类分上上,提出了一种新的基于SVM的多类分类器。本文将该模型应用到了入侵检测上,并在试验上取得了很好的效果。     

基于SVM的多分类器融合算法在说话人识别中的应用

多分类器协同合作克服了单个分类器识别效果不理想,适用范围较窄或对使用环境要求较高的不足,并为研制更高性能的分类器,提供了解决问题的另一个途径.提出了一种基于SVM的多分类器说话人识别系统,该系统的识别框架基于多分类器的协同工作.该多分类器系统采用了ANN(artificial neural networks)、GMM(gaussian mixed model)分类器和子带结构分类器,参数选取包括MFCC(mel frequency cepstrum coefficient)、LPCC(linear prediction cepstrum coefficient).多分类器融合采用SVM方法.本系统在超短波信道(15 db)的实际应用中达到94%的识别率.     

结合SVM与DS证据理论的信息融合分类方法

针对多传感器数据融合分类中,DS证据理论基本概率赋值难以解决的问题,提出了一种结合SVM与DS证据理论的信息融合改进方法。根据SVM对输入数据分类的实际情况和基于混淆矩阵得到的分类器局部识别可信度来构造基本概率赋值函数,实现了两者的有效结合,建立了SVM与DS证据相结合的多传感器信息融合模型。在决策融合过程中,重视和考虑了分类器局部识别可信度信息,并对算法进行了复杂度分析。基于UCI数据集和人工数据集的仿真结果表明该方法能够有效地降低融合识别的误差率,提高识别的可信度。     

支持向量机多类目标分类器的结构简化研究

由于支持向量机(SVM)在模式识别和回归分析中有着独特优势，因此成为近来研究的热点，其优势主要体现在处理非线性和高维数据问题方面。最初的SVM特别适合解决两类目标分类问题，而对于多类目标分类，则需将其转化为多个两类目标分类问题，相应地即可构造多个两类目标子分类器，但由于这种情况导致了分类器结构的过于复杂，从而导致判决速度的降低。为了快速地进行分类．提出了一种简化结构的多类目标分类器，其不仅使得子分类器数目大大减少，而且使分类速度明显提高；同时对其分类精度和复杂度进行了对比分析。实验结果证明。该分类器是有效的。     

户外天气状况分类识别

针对户外监控系统需要利用图像画面进行天气状态识别的问题,提出了一种新的词袋模型,以及SVM和随机森林相结合的分类方法,对晴天与阴天两类天气状态进行识别.词袋模型利用SIFT特征,通过聚类构建词典,并用最小二乘法求解最佳图像的词典结构参数,最终根据金字塔匹配得到多尺度图像词袋模型特征.分类器的构造采用支持向量机（SVM）作为一级分类器,对小置信样本进行粗分类,之后,再利用随机森林构造作为二级分类器进行判别.通过对两类天气图像集的10 000张图像进行测试,其识别准确率验证了方法的有效性.