支持向量机Mercer核的若干性质

目前支持向量机在模式分类中得到了很好的应用.对于线性不可分的样本空间,需要寻找核函数,将线性不可分的样本集映射到另一个高维线性空间.在理论上,怎样选择核函数,还是一个未解决的问题.因此研究支持向量机的核函数性质,对于寻找核函数有重要意义.为此,在研究支持向量机的基础上,给出了核函数的若干重要性质.     

采用粒子群优化的SVM算法在数据分类中的应用

针对分类数据集合线性不可分的问题,改进了支持向量机(SVM)的分类方法,构建新的分类决策函数和高斯核函数.在支持向量机关键参数的优化环节,采用粒子群算法对惩罚参数和高斯参数进行优化,设计便于操作的优化流程,并针对Iris数据集合展开实验研究.结果表明:相比于基于遗传算法优化的SVM方法,所提出的方法执行速度快、分类准确率高.     

感知机的DNA计算模型

本文建立了在人工神经网络中实现简单的线性分类功能的、感知机的DNA计算的自装配模型,该模型并行地实现了神经网络的学习过程,充分利用了DNA计算极度并行的特点.     

一种分类器评价的方法

提出了模式类可分度函数的概念,研究了模式类可分度函数中参数获取的方法．给出了分类器品质函数．并据此提出一种基于模式类可分度的分类器评价方法．该方法避免了以传统的错误识别率评价分类器以至在处理线性不可分的特征空间时的不足,具有一定的应用价值．     

基于集成学习的电商销量预测研究分析

针对电商销量数据的复杂性和现有预测模型的稳定性及泛化能力不足问题,本研究基于大样本多变量数据,应用随机森林和渐进梯度回归树等机器学习模型进行分析。研究结果表明,相比于广义线性回归、弹性网络、支持向量回归、KNN回归树、决策树、多层感知机、AdaBoost,随机森林和渐进梯度回归树对电商销售数据预测拟合更加精确。相比于广义线性回归、弹性网络等7种传统机器学习算法,随机森林和渐进梯度回归树这两种集成学习的方法对电商销量预测更加精确,且渐进梯度回归树算法拟合效果更好、均方根误差更小,是一种更加有效的电商销量预测方法。     

基于核方法的分类型属性数据集模糊聚类算法

针对分类型属性数据的聚类问题．将核方法的思想推广到快速、高效率的模糊c-均值算法,构造了基于核函数的模糊核c-均值聚类算法．该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息,并且避免了模糊k-modes算法中每次迭代均要直接计算类中心的缺点,提高了聚类的精确度和稳定性．同时该算法对模式(类中心)的初始值选择不敏感．时实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性．     

一种改进的PSO-Means聚类优化算法

针对粒子群优化算法在线性不可分情况下不能找到合适的聚类初始质心和正确的聚类个数的缺点,提出引入核方法,对基于粒子群算法的K均值聚类(PSO-Means)算法进行改进。利用核方法把数据映射到高维空间,在高维空间中使用粒子群算法找出所应聚的类,最后利用核空间中的聚类算法对数据进行聚类。通过实验,验证了该算法在线性不可分的情况下可以较好的运行,在很大程度上提高了聚类的效果。     

基于卡方核的正则化线性判别行人再识别算法

针对行人再识别过程中存在获取的训练样本较少,真实样本分布不一定线性可分和算法识别率低的问题,提出基于卡方核的正则化线性判别分析行人再识别算法(KRLDA,kemel regularized linear discriminant analysis)。该算法首先利用核函数将样本从线性不可分的原始空间映射到线性可分的高维特征空间,然后在高维空间中构造描述数据之间邻近关系的散度矩阵,再利用正则化线性判别分析获得高维到低维空间的投影矩阵,使得数据在低维空间能够保持高维空间的可分性,从而提升行人再识别算法的识别率。在VIPeR、iLIDS、CAVIAR和3DPeS数据集上,实验结果表明所提出的算法具有较高识别率。     

多层感知机分类器行为延拓线性分析及其应用

严谨的线性判别函数与判别面的理论，适用于线性阈值（MP模型）神经元分类行为分析。本将此理论扩展到非线性sigmoid神经元，分析了用来解决模式分类问题的、由sigmoid神经元构成的单隐层MLP（多层感知机）的内部行为；并通过一系列近似推理与实验验证，提出了将隐层权重矢量初始值均匀地分布在权重空间的一个圆（超球面）上的方法。针对几个困难的分类问题的实验表明，该方法抓住了MLP分类器内部行为的重要特征，它使MLP分类器跨越了可能存在的学习难点，把学习起点放在达到目标较简便的路径上。此方法在理论上简单直接，应用上方便有效，具有一定的普遍性。     

一种支持向量预提取方法及应用

提出了一种支持向量预提取方法,对核感知机误分次数与决策边界的关系作了分析,引入了核函数和误分界,利用结构简单的感知机算法构建支持向量预提取模块,压缩样本规模,然后将处理结果输入支持向量机进行再处理,在精度和处理速度方面取得了较好的效果,仿真实验验证了这一方法的可行性。     

包含奇异类样本的感知机学习规则的单位圆算法

分析了传统的感知机学习方法的不足，通过对包含奇异类样本的分析，提出了基于矢量的零偏置的感知机学习规则：单位圆算法，并证明了该算法的收敛性。最后给出了实例样本的模式识别的实现及模式识别的结果。     

利用相似日小波变换和多层感知机的短期光伏功率预测

为了提高光伏功率预测的准确性和可靠性,基于相似日小波变换和多层感知机建立智能光伏功率预测模型;将小波变换的多分辨率特点和多层感知机的非线性拟合能力结合起来,以有效地提高预报的可靠性.首先,选取相似日数据并归一化,并用小波变换对数据进行预处理;其次,训练多层感知机模型学习气象因素与光伏功率之间的映射关系;最后,基于沙漠知...     

基于独立感知理论的鲁棒语音识别算法

为了提高在噪声环境下语音识别系统的性能,对基于子带独立感知理论的语音识别方法进行了研究.这些方法利用人耳对不同频率信号感知的差异,以及噪声和识别对象的频域特征差异,分别采用线性分析、判决分析、多层感知机以及子带最大似然估计对噪声影响进行补偿.实验表明,子带分析采用非线性策略优于线性策略.基于独立感知假定的子带模型,虽然由于独立性假定丢失了带间相关性,但对于噪声环境下语音识别而言可以捕获噪声和识别对象的频谱差异,从而获得比全带分析更高的鲁棒性.     

迭代算法求解支持向量机中的分离超平面

支持向量机的关键在于获取分离超平面,一般是基于规划的学习算法,把求解问题转化成凸二次规划问题.采用感知机的迭代算法思路求解支持向量机的分离超平面,算法包括两个迭代过程,首先利用感知机的迭代算法获取一个分离超平面作为初始分离超平面;然后将初始分离超平面不断地旋转和平移,直至正类集和负类集的支持向量到分离超平面的距离相等,此时的分离超平面就是支持向量机的分离超平面.最后分别采用解凸二次规划方法和迭代算法对鸢花分类数据进行学习,获得的支持向量和分离超平面完全一致,说明该迭代算法简单有效.     

基于支持向量机的二次距离约束图像检索技术

相关反馈技术是图像检索过程中的一种交互式技术。在图像检索中,传统支持向量机作为反馈学习仅仅是把相关反馈看作模式分类问题。然而在海量图像数据中,映像到特征空间中的图像是线性不可分的,在图像检索中仅靠简单的模式分类来学习反馈,得不到理想的学习效果。本文在无约束的反馈算法的基础上提出了二次约束距离算法,即在基于支持向量机得到分类后。对分类结果按照距离相关图像的聚类中心进行再次排序后,将结果回馈给用户。     

基于多层感知机与无网格策略的三维空间声源识别

以往波束形成算法将潜在声源区域划分成若干网格，所有的声源被映射到一个个网格点上，会导致错误的声源定位与强度计算，并且计算精度与效率受网格间距大小的影响。采用多层感知机神经网络以及无网格策略，能够提高声源识别的空间分辨率与计算效率。通过使用单个平面麦克风阵列对三维等强度双点声源进行识别定位，发现相较于传统互谱算法，多层感知机能够改善平面阵列在深度方向上较差的空间分辨率性能。此外，在定位误差方面，多层感知机优于传统互谱算法，同时声源识别的强度误差有所降低。在低频时，多层感知机性能优于波束形成算法，可用来弥补波束形成算法空间分辨率性能不佳的局限性。     

感知机网络模型

文章提出了一种利用人工神经元网络方法-感知机网络实现设计并训练一个印刷字符分类器，程序采用MATLAB5.3实现。     

采用口袋算法构造的多类别 决策树模型

采用开放应用架构(OAA)准则训练多个二分类感知机,以Gini指数筛选最优的方法构建二叉决策树.推算说明感知机多分类准则在每个树节点上对空间划分的局限性,将基于口袋算法的二叉树与多叉树在8个UCI数据集上进行比较,并与单变量决策树CART和C4.5的结果进行对照.结果表明:采用口袋算法基于OAA方法构建的二叉树,在准确率和空间划分的可解释性上优于基于经典多分类准则构建的多叉树.     

一种3D点云分割改进型边缘特征提取网络

针对点云分割中边缘特征提取不足导致局部特征信息不完整、整体分割精度下降的问题,提出一种3D点云分割改进型边缘特征提取网络.为提升边缘特征表达能力,对深层边缘特征提取层做出改进,引入基于残差结构改进的多层感知机结构,形成边缘特征提取单元,该单元将原始点云特征与多层感知机提取边缘特征相融合,获取更加丰富完整的边缘信息,提高3D点云分割网络模型精度.在Shapenet数据集上的实验结果表明,提出的3D点云分割改进型边缘特征提取网络优于现存同类方法,相较于LDGC-NN链接动态图网络,点云分割准确率提升了1.17％.     

采用非线性块稀疏字典选择的视频总结

针对基于稀疏表示的视频总结未充分考虑视频帧之间的非线性关系和关键帧的块稀疏特性,提出了一种采用非线性块稀疏字典选择的视频总结方法。首先考虑视频帧之间的非线性关系,通过核函数把原始视频样本映射到高维空间,使线性不可分的样本变得线性可分,从而实现非线性到线性的转化,建立非线性稀疏字典选择模型;然后考虑关键帧的块稀疏特性,将视频帧分成帧块,每个帧块内的内容具有一定的相似性,进一步建立非线性块稀疏字典选择模型来提取关键帧块;最后设计了一种核化的联合块正交匹配追踪算法对提出的模型进行优化。在基准视频数据集上的实验表明,所提算法能明显提升视频总结的性能指标F值,且计算复杂度较低,从而验证了联合使用非线性和块稀疏的有效性。