基于复合核支持向量回归机的多类分类算法

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。     

基于分段核函数的支持向量机及其应用

支持向量机兼顾训练误差和推广性能,已受到机器学习领域的高度重视,而核函数的性能是支持向量机研究中的关键问题。研究了几种常见核函数对支持向量机推广性能的影响,并利用全局核函数和局部核函数的性质,提出了一种新的分段核函数的支持向量机。数据集上的仿真结果表明,该核函数对应的支持向量机泛化能力优于传统核函数对应的支持向量机,具有较好的预测性能。     

基于支持向量机分类的回归方法

支持向景机(Support Vector Machine,SVM)是一种基于结构风险最小化原理的分类技术,该技术已成为当前国际机器学习界研究的热点.本文提出了一种将回归问题转化为分类的新思想,这种方法具有一定的理论依据,与多项式函数拟合相比具有一定的优越性.     

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。      

凸组合核函数的支持向量机高光谱图像分类

支持向量机的高光谱图像分类中,单核函数存在局限性。为了提高分类器的分类精度和支持向量机模型的泛化能力,利用高斯径向基核和多层感知核进行凸组合构造复合核函数支持向量机,证明了该函数满足作为核函数的判决Mercer条件,并进一步将凸组合核函数支持向量机应用到高光谱图像分类中,完成了建模和实验验证。实验结果表明,凸组合核函数具有较好的鲁棒性,且该类支持向量机的分类精度和KAPPA系数较单核SVM均得到了有效的提高,是一种解决多分类问题行之有效的分类器。     

基于支持向量机的语种识别

支持向量机是统计学习理论的一个重要分支,也是解决模式识别问题的一个有力工具.现简要介绍支持向量机理论,构建基于径向基函数的支持向量机,对分别来自两个不同的电话语音数据库中的汉语普通话、英语、日语、白族语和纳西语等5种语言进行识别研究.实验结果表明,支持向量机, 对不同数据库语言的语种识别依然能达到比较高的识别率.     

基于支持向量机的文本分类技术

在文本分类过程中,影响分类准确率的两个重要因素是特征权重的计算方法,以及机器学习算法的准确率。针对传统基于支持向量机的文本分类准确率不高的问题,本文提出修正权重计算公式和采用调整支持向量机核函数参数的方法,使文本的分类准确率提高了近3个百分点。实验结果表明这两种方法的结合,确实可以提高文本分类的准确率。     

基于混合核函数的支持向量机在人脸识别中的应用研究

针对支持向量机中的核函数选择和参数优化问题进行研究,结合局部性函数和全局性核函数的特点,形成由高斯核函数和多项式核函数构成的混合核函数,并运用于人脸识别,仿真实验结果证明了混合核函数的具有较高的识别率。     

基于支持向量机的极化SAR图像分类

极化合成孔径雷达可以同时得到地面场景在不同极化组合下的雷达图像,极大地丰富了获取的地物目标信息量。针对极化SAR图像特征提取和目标分类的困难,由4种基本极化组成样本向量,运用基于统计学习理论的支持向量机以及不同的核函数设计分类器,提出了一种新的极化SAR图像分类算法,并对实测极化SAR数据进行分类实验。结果表明,将支持向量机分类器应用于极化SAR图像分类中是可行和有效的,并且通过选择适当的惩罚系数,可以进一步提高分类效果。     

支持向量机在尿沉渣有形成分分类中的应用

计算机显微图像尿沉渣分析仪,是运用图像处理技术和统计学习理论中支持向量机（SVM）技术,对尿沉渣的有形成分进行自动分类和识别,并从形态学方面对其进行了特征描述。在应用SVM分类方法的过程中,首先建立已知分类的图像,进而提取图像的特征,再对这些特征进行训练,同时交叉验证确定最优的SVM核函数和参数。最后根据训练过程建立的模型来对测试图像分类．结果表明,选用了支持向量机来实现沉渣识别,与传统的方法相比,取得了更高的识别率。     

基于支持向量机的模式识别方法

基于统计学习理论的支持向量机(SVM)方法是现代智能技术的一个重要分支。SVM实现了结构风险最小化(SRM),而不是经验风险最小化(ERM),在保证分类精度的前提下,提高了分类器的泛化能力。着重讨论C-SVM原理,并在此基础之上,对算法进行了测试。测试结果表明,C-SVM分类算法具有较好的推广能力。     

基于支持向量机方法的车型分类技术

车型分类是交通流检测系统的子功能,也是ITS(智能交通系统)中的重要环节.支持向量机方法被看做是对传统学习分类方法的一个较好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.文中基于视频检测技术,采用支持向量机方法对车型分类进行了研究.实验表明,支持向量机方法是一种很有前景的车型分类技术.     

一种改进的最小二乘孪生支持向量机分类算法

提出了一种新的模式分类器,即广泛权重的最小二乘孪生支持向量机.该支持向量机在正、负两类样本上广泛地增加权重,很好地抑制了交叉噪声样本对数据分类的影响.其次,根据间隔最大化原理,该支持向量机在目标函数上增加了一个正规化项,实现结构风险最小化和避免在求解该目标函数时可能对病态矩阵求逆的处理.同时,提出了利用一种指数函数计算训练样本的密度来获得样本权重值的算法.该算法能够有效缩减计算权重的时间,且具有较强的鲁棒性.实验证明本文提出的广泛权重的最小二乘孪生支持向量机能够实现高精度和高效率的分类效果,而且特别适合于含有交叉噪声样本的数据集分类.     

基于粗糙集的多类CVM

 标准的SVM对于训练集具有O(l³)的时间复杂度和O(l²)的空间复杂度,2005年提出的CVM具有线性的时间复杂度和与训练集大小无关的空间复杂度.本文结合粗糙集和CVM,提出了一种新的多类分类RSCVM方法,该方法对二类CVM定义上近似和下近似,然后扩展到多类情形.本文最后给出在真实世界数据集上的实验结果及其分析,显示RSCVM方法具有快速和产生较少支持向量的优点.     

基于遗传算法的支持向量机分类算法

针对现有部分支持向量机在多类分类过程中存在的数据不均衡性、对算法结构依赖性强的问题,提出一种新的基于遗传算法的支持向量机多类分类算法。以遗传算法中的交叉作为支持向量机中类的选择,以变异改善分类过程中的纠错能力,以适应度函数作为最优分类结果的确定。在不同特性的样本集上进行仿真测试,结果证明,该算法在类数较多的情况下,有更好的数据均衡性,在分类速度及准确度上均有一定的优越性。     

线性判别分析和支持向量机的音乐分类方法

提出了一种新的音乐分类方法,该方法使用线性判别分析(LDA)和支持向量机(SVMs)对音乐数据进行分类。在实现音乐分类中,先使用傅里叶变换等方法从每一段音乐中提取音频特征,包括Mel倒谱系数及基音频率等,并将它们按比例组成一个高维向量;再使用LDA对这些高维向量进行降维,使得各类音乐的类间离散度与类内离散度的比值最大;最后使用SVM等4种分类器对降维后的特征进行分类。实验证明LDA及SVM使得音乐分类的精确度有了较大的提高。     

一种基于支持向量机的雷达多目标分类方法

针对小样本条件下雷达目标分类精度低的问题,提出了一种基于支持向量机(Support Vector Machine,SVM)的雷达目标分类方法。通过雷达目标特征的提取、选择和分类器的设计,实现了目标的多分类,且提高了目标分类精度。实验结果表明,基于二维特征的分类器可实现多目标的高精度分类,且平均分类精度均优于85%。     

基于支持向量机的极化SAR图像分类

与传统最大似然（ML）分类器相比，支持向量机（SVM）在小训练样本时仍具有良好的分类性能，目前已广泛应用于多个领域。该文在极化SAR特征提取的基础上，将SVM应用于极化SAR图像分类，分析了分类器参数对分类性能的影响。利用NASA／JPL实验室AIRSAR系统的L波段旧金山全极化SAR数据比较了SVM和ML的分类性能，并进一步给出了基于SVM的国内某地区双极化SAR图像分类结果。     

应用支持向量机分类的多角度目标识别技术

综合应用图像的不变矩特征和支持向量机分类方法,提出了一种对于红外图像中多角度目标的识别方法。首先通过目标分割算法求得红外图像中目标的轮廓图像,然后从轮廓图像的Hu矩、Zernike矩和Fourier-Mellin矩中选取适当阶次的矩特征组成目标在特定视角范围内的不变性特征向量;对目标的视角范围进行适当划分以解决多角度引起的目标样本多样性,并在每个划分的视角范围内分别应用支持向量机的方法进行多目标分类。测试结果表明,本文提出的方法较好地实现了红外图像中多角度目标的识别问题,是一种有效的自动目标识别算法。     

基于支持向量机的多极化SAR图像监督分类

针对SAR图像固有相干斑的影响,分类比较困难的问题,将支持向量机方法应用到多极化SAR图像的监督分类中.实验结果表明,基于支持向量机的多极化SAR图像监督分类不仅具有较高的分类精度,而且和传统方法比较,在训练样本较少的情况下具有更好的推广性.