基于SVM不同核函数的多源遥感影像分类研究

选取同地区同时相的多光谱和高光谱影像,在实验样本和验证样本相同的情况下,采用SVM分类算法中4种不同的核函数,对2种影像进行分类实验.结果表明,对于多光谱影像,RBF核函数分类精度最高,Sigmoid最低;对于高光谱影像,Linear核函数分类精度最高,Sigmoid最低;对于同地区相同分辨率的遥感图像,在分类条件相同的情况下,多光谱影像的分类精度和高光谱的分类精度相近.     

一种混合核函数支持向量机算法

提出一种基于混合核函数的支持向量机算法.首先证明了常用核函数的非负线性组合也是满足Mercer条件的核函数.然后通过最小化衡量二次损失函数支持向量机泛化能力的RM界来进行各子核函数参数、混合核函数组合系数以及惩罚系数的选取.仿真实验表明,基于混合核函数的支持向量机的泛化性能优于基于单一核函数的支持向量机.     

基于灰度共生矩阵的图形纹理检测及焊接缺陷的SVM分类实现

工业4.0时代,焊接技术作为一种最基本的工件加工技术,被广泛应用于各种工业生产。焊接质量直接影响焊接产品的使用寿命,从而影响工业生产活动的效率。基于灰度共生矩阵(GLCM)对X-射线焊接缺陷图像进行特征提取,分析X-射线焊接缺陷的分类特点,构建SVM多类分类器,分析对比不同核函数对分类精度的影响。基于RBF核函数的SVM分类器能够对焊接缺陷进行良好的识别分类,总体分类精度达到了92.6%,为焊接缺陷的检测识别提供了一种简便的方法。     

采样方案对遥感分类精度评价的影响研究

专题分类是遥感数据处理与应用中的一个重要组成部分,而遥感影像专题分类的精度评价问题已成为遥感处理领域亟待解决的基础问题之一。通过实例定量分析了不同样本容量、采样方式下精度评价效果,从而更好地认识和理解精度评价过程对遥感分类精度的影响,以期获得更为合理的精度评价采样方案。     

基于SVM分类可信度的暴雨/冰雹分类模型

为提高支持向量机(support vector machine,SVM)暴雨/冰雹分类准确率,研究了暴雨/冰雹样本到分类超平面的距离、样本邻域以及训练样本的过程信息对SVM分类可信度的影响,提出了采用距离系数、邻域系数和过程系数综合确定SVM分类可信度的方法,设计了基于SVM分类可信度的暴雨/冰雹分类模型,对暴雨和冰雹进行区分.结果表明:采用距离系数、邻域系数和过程系数可有效确定SVM分类可信度,基于SVM分类可信度的暴雨/冰雹分类模型有利于提高冰雹识别的击中率并降低其误报率.     

基于边分类的SVM模型在社区发现中的研究

社区发现是复杂网络研究的重要内容,也是分析网络结构的重要途径。分析了社区发现研究中存在的问题,提出了一种基于边分类的SVM模型。通过边顶点相似度和边介数来表示边的特征,从而构造分类函数。利用LFR生成社区结构已知的人工网络,通过人工网络数据训练基于边分类的SVM模型,对分类函数的参数进行估计,利用训练模型对真实网络进行社区分类并通过标准化互信息(NMI)和整体准确度来评价分类效果。实验得到了较高的整体准确度和NMI值。实验表明基于边分类的SVM训练模型对真实网络数据的社区划分有较高的准确度,表明该方法是可行的。     

用GA、PCA和改进SVM相结合进行车辆实时分类

用GA、PCA和改进SVM结合进行车辆实时分类研究对公路管理和控制具有实际应用意义和社会效益。在某公路的匝道口两侧设置了8个测试点,对通过匝道口的车辆进行测试,提取特征向量,采用声波和振地波信号在匝道口进行了实时分类测试研究。由于特征向量的维数太高,用GA和PCA降低特征向量的维数,再用SVM和改进的SVM对特征向量进行分类,大大提高了分类精度。通过实验及分类得到声波和振地波的测试集分类精度最高分别是92.0%和76.1%,同时声波和振地波特征向量的维数降低至26和21,其相应的比率分别为95%和99%,独立集的分类精度分别为87.5%和71.3%。实验表明:用改进的SVM和GA、PCA结合的方法进行分类,其效果要优于单独使用主成分分析(PCA)、遗传算法(GA)以及它俩的结合使用的方法。     

LDA特征扩展的多类SVM短文本分类方法研究

针对短文本信息量少、特征稀疏的特点,提出一种基于LDA主题扩展的多类SVM短文本分类方法。在短文本基础上,利用LDA主题模得到文档的主题分布,将主题中的词扩充到原短文本的特征中,在特征空间上使用基于经典权重计算方法的多类SVM分类器进行分类。实验结果表明,在各个类别上的查准率、查全率和F1值都有所提高,验证了该方法的可行性。     

SVM回归与朴素贝叶斯分类相结合的变压器故障诊断

针对传统变压器故障诊断中的对于原始测试数据完备性和准确性的限制,提出并构建用于变压器故障诊断的NB模型;并在此基础上针对NB模型缺失关键属性时诊断性能大大降低的弱点,提出用SVM回归法填补缺失属性,构建SVM回归预测与NB相结合的变压器故障诊断模型。实验表明在属性缺失多及缺失关键属性时,SVM回归预测的应用能够明显提高诊断的正判率。     

核聚类集成失衡数据SVM算法

针对传统SVM算法在失衡数据集下的分类性能不理想的问题,提出一种基于核聚类集成SVM算法.该算法首先在核空间中对多数类样本集进行聚类,然后随机选择出具有代表意义的聚类信息点,实现在减少多数类样本数的同时将分类界面向多数类样本方向偏移.并利用AdaBoost集成手段对基于核聚类的欠取样SVM算法进行集成,最终提高SVM算法在失衡数据下的泛化性能.将提出的算法同其他失衡数据预处理集成方法进行比较,实验结果表明该算法能够有效提高SVM算法在失衡数据中少数类的分类性能,且总体分类性能及运行效率都有明显提高.     

基于核K-均值聚类和支持向量机结合的说话人识别方法

提出了基于核K-均值聚类方法与支持向量机结合的说话人识别方法,为每两个人建立一个支持向量机,对支持向量机输入的语音信号先进行核K-均值聚类,并选取有效样本作为支持向量机的输入,本文提出的聚类方法能够去更好的聚类并约简数据,提高了识别率.实验比较了在用支持向量机作为分类器的情况下,该核聚类与传统聚类方法的训练速度和识别性能,验证了本文提出方法的有效性.     

核Fisher判别分析在数字信号分类中的应用

为了提高通信信号的识别精度,提出了一种基于核Fisher判别分析(KFDA)的数字调制信号分类器设计方法.将接收信号的高阶累积量作为分类特征向量,利用核函数的思想把非线性向量映射到一个高维空间,并在高维空间中利用线性Fisher判别分析实现数字信号的分类.将多类分类器分解成一系列二类问题,并给出了KFDA用于信号分类的详细流程.仿真实验结果表明,当选择合适的核参数时,基于KFDA的分类精度与支持向量机相当,但由于避免了求解非线性优化问题,故计算复杂度低,训练时间短.     

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GF空间多项式核函数的分类研究

在基于核方法的分类问题中,核函数及其参数选择皆对分类结果具有重要影响,通常基于经验选择核函数或基于多核优化方法确定核函数的权系数。针对GF空间的多项式核函数,在范数限定条件下利用多核学习方法优化多项式权系数,实现多项式核函数的优化。实验结果表明,算法优化得到的多项式核函数其分类性能优于常用的单核函数,与多核方法相当,并在分类中取得良好的效果。     

基于核的k最近邻算法

将核学习的方法应用到k最近邻算法中,提出了1种基于核的k最近邻算法.该算法通过引入核函数,将原空间中的样本映射到1个高维核空间中,突出了不同类别样本之间的特征差异,使样本变得线性可分,从而提高分类性能.并利用UCI数据库中的数据分别验证了k最近邻分类和核k最近邻分类算法的有效性.     

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Scikit Learn的SVM分类器算法优化

支持向量机(SVM)在高维度数据分类中表现出优异性能,可通过核函数对原始特征进行映射,解决原始空间线性不可分问题。但由于数据特征、维度不同,所以SVM在参数调整时,一般需要手动调整,效率较低且增加工作量。针对该问题,提出了一种基于Scikit Learn的SVM分类器参数调整优化方法。使用网格搜索对最优参数范围进行搜索,利用高斯径向基核函数进行参数调整,基于Python机器学习库Scikit Learn对不同参数、不同核函数的分类结果进行可视化观察,并在网格上显示其最优参数范围,寻找准确率高的参数分布。通过自动迭代的方式对参数进行更精确求解,设定相应值代入迭代计算。同时为防止陷入过拟合,设定最优参数邻域范围直接读取最优参数值。实验结果表明,所提出的方法可大量减少人工调参时间,且可以更精确地获得SVM的最优参数。