基于能量特征和支持向量机的网络蠕虫检测方法

根据网络蠕虫攻击的特点,建立了能够反映蠕虫扫描特征的失败连接流量(FCT)时间序列,提出了一种基于FCT时间序列小波包能量特征和支持向量机(SVM)的蠕虫检测新方法。该方法利用小波包分析计算FCT时间序列在各频带投影序列的能量分布,获得能够表征蠕虫扫描的特征向量,使用经过样本训练的SVM分类器进行分类,实现蠕虫攻击扫描的自动检测。实验结果表明,该方法能够比较准确地检测蠕虫攻击,和理论值相比,漏报率低于6%,误报率低于1%。     

基于Gabor小波特征抽取和支持向量机的人脸识别

文章利用Gabor小波对位置误差、光线等因素具有强的鲁棒性的优点,将人脸图像在一定格点上取大小和方向不同的2D-Gabor小波变换,取变换系数幅值作为特征向量,送入支持向量机中进行分类。有效地结合了Gabor小波的特征抽取能力和支持向量机的分类能力,并对AT&T人脸库进行性别分类和人脸识别,得到了较高的识别率。     

基于粗糙集边界的v-支持向量机混合分类算法

针对v-支持向量机在样本集规模较大的情况下,需要占用大量训练时间的问题,提出基于粗糙集边界的v-支持向量机混合分类算法。该算法根据粗糙集理论边界区域的优点,生成分类数据的边界集,使其包括全部的支持向量,用此边界向量集替代原始样本作为训练集,减少训练集的数量,则可以在不影响分类精度和泛化性能的前提下显著缩短v-支持向量机的训练时间。仿真结果表明该算法的有效性。     

基于小波包和支持向量机的人脸识别

提出了用小波包变换、聚类分析和缩放支持向量机进行人脸识别的方法。首先,用小波包对图象进行2层分解,提取每个子频带的能量组成向量为该图象的特征;其次,对待识别图象进行聚类分析,以减少进入支持向量机的样本数;然后,在特征向量输入支持向量机之前先进行缩放处理,以减少运算量和提高识别准确率;最后,用支持向量集合距离度量进行人脸识别。实验表明：采用本文的方法,识别的正确率可达98％。     

基于块和分解的改进的支持向量机算法

针对块算法和分解算法各自的特．点,提出一种对一个样本点集合同时进行块算法和分解算法的算法,即对一个数据集合同时进行两个优化的方法,控制了块算法的工作集的规模,加快了分解算法的收敛速度。     

基于小波支持向量机的P2P网络流量识别算法

对等网络技术引起了广泛关注,其典型的应用有文件共享、即时通信等.为了更好地合理使用、规划P2P网络资源,建立P2P流量识别模型具有十分重要的理论意义和现实价值.提出了一种基于小波支持向量机相结合的P2P流量识别模型,将小波分析中多尺度的学习方法和SVM的优点结合起来,通过小波分析与SVM方法紧致结合,引入满足小波构架和Mercer定理的小波基函数来构造SVM的核函数,建立小波支持向量机的P2P识别算法.实验结果表明该算法能够有效地提高P2P网络流量识别的精度.     

支持向量机分解算法研究

分解算法是目前大量数据下支持向量机最主要训练方法。各种分解算法的区别在于工作集的大小、产生原则以及子QP问题的求解方法不同。介绍分解算法的产生以及发展过程,以及相应的工作集选择算法,重点指出分解算法在子工作集优化方法、工作集的选择策略所采用的新的方法以及有关收敛性的证明。     

基于免疫算法和层次支持向量机的人脸识别方法

给出了一种基于免疫算法及层次支持向量机的人脸识别方法,该方法先利用Gabor小泼变换提取待识别的人脸图像的特征向量,然后利用层次支持向量机初步判断该图像最可能所属的人,最后利用免疫算法对待识别的人脸图像进行确认.实验表明,该算法效果较佳.     

基于小波变换和支持向量机的人脸检测

提出一种新的人脸检测方法——基于小波变换和支持向量机的方法。其方法的新颖之处体现在：通过综合原输人图像的小波变换值、灰度值的投影来进行特征分析;运用统计模型来估计类条件概率密度函数;运用最优的分类方法——贝叶斯分类器进行判决分类。人脸类采用正态分布建模,而非人脸类(包括除人脸类之外的一切事物)仍用正态分布来建模是不合理的。但可以用支持向量机方法从非人脸类中抽出一些跟人脸类很接近的非人脸类的特殊子集,然后对这特殊子集用正态分布进行建模。     

基于Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

基于双树复小波变换的图像增强方法

在图像增强处理中,传统的图像增强方法例如直方图均衡、小波系数增强等等,虽然取得了较好的图像增强效果,但在增强图像的同时也将噪声放大了.本文针对这一问题,提出了一种基于二维双树复小波变换的图像增强方法,因其具有良好的多方向性信息捕捉能力,克服了传统二维小波变换缺乏方向性的缺点.增强算法将系数分为强边缘、弱边缘和噪声点三类...     

基于局部小波矩的图像匹配算法

该文将图像的视觉不变矩特征引入到图像匹配领域中,通过提取图像的局部小波矩,提出了一种基于局部小波矩的图像匹配算法。并分别对所提出的算法,基于一般不变矩特征的匹配算法有关实验数据进行了对比分析,结果表明了该文所提出算法的可行性和有效性。     

基于Radon变换的纹理图像多尺度不变量分析算法

为了更好地进行图像纹理分析,提出了一种基于Radon变换的不变量纹理识别算法。该算法首先利用Radon变换将图像投影到1维空间,然后通过对投影数据进行一种平移和比例不变的自适应小波变换来构造出具有比例和平移不变性的图像的特征矩阵。这种通过对特征矩阵进行多尺度分析得到的多尺度能量特征不但具有平移、比例和旋转不变性,而且反映出了纹理图像在不同尺度上的能量分布特征。在特征提取完成以后,即可利用支撑向量机进行分类。同其他方法的比较说明,该算法可较好地描述纹理特征,并可完成纹理识别。     

基于几何思想的快速支持向量机算法

为了快速地进行分类,根据几何思想来训练支持向量机,提出了一种快速而简单的支持向量机训练算法——几何快速算法。由于支持向量机的最优分类面只由支持向量决定,因此只要找出两类样本中所有支持向量,那么最优分类面就可以完全确定。该新的算法根据两类样本的几何分布,先从两类样本的最近点开始;然后通过不断地寻找违反KKT条件的样本点来找出支持向量;最后确定最优分类面。为了验证新算法的有效性,分别利用两个公共数据库,对新算法与SMO算法及DIRECTSVM算法进行了实验对比,实验结果显示,新算法的分类精度虽与其他两个方法相当,但新算法的运算速度明显比其他两个算法快。     

基于改进SVM方法的入侵检测

在入侵检测应用中,SVM能够在小样本条件下保持良好的检测状态。该文提出了一种改进的SVM方法,其在特定概率指导下删减训练集中的非有效样本,取得了更优的分类效果,改善了传统SVM训练和分类中存在的高资源占用和时耗过高的状况。对DARPA数据的检测实验表明,该方法在入侵检测上有较好的表现。     

基于复值小波分解的图象拼合

图象拼合是一种基于图象的场景编码方法，它被很多基于图象的绘制IBR（image based rendering）系统采用，用来建立复杂的虚拟场景表示（例如，360°球面和柱面全景图、环境映照及高分辨率图象等）.基于复值小波多分辨率分解(Complex Wavelet Multiresolution Decomposition)提出了一种有效的图象拼合方法，它能同时地、逐步求精地对图象进行匹配和整合.首先，采用复值小波变换不仅可以保证全局优化的结果，还能够满足图象整合的规模不变和平移不变性.其次，基于多分辨     

基于K均值聚类和粒子群优化的多核SVM图像分割

图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.     

基于SVM的多Agent信息融合算法

支持向量机(SVM)是一种基于结构风险最小化原理、具有很高泛化性能的学习算法,为小样本、非线性、高维数一类信息融合问题的建模提供了一种有效的途径.本文将Mobile Agent运用到信息融合系统中,对信息融合系统中原有OODA模型进行改进,提出了一种基于SVM的Mobile Agent信息融合模型及算法.相关实验表明,本文中的训练算法可达到更为满意的分类效果,并且可以得到较高的分类精度.     

基于复数小波变换的边缘保护融合算法

如何保护局部对比度信息是图像融合的关键问题,而图像边缘是基于人类视觉系统(HVS)最敏感的局部对比度信息.基于对偶树复数小波变换(DT-CWT),提出一种保护图像边缘信息的加权系数融合算法.对于低频部分,使用邻域熵极大值准则将系数添加到融合图像中;而对于高频部分,首先分别对各小波子图像进行边缘提取并对其特征增强,接下来使用边缘信息优先的加权系数融合策略进行特征信息融合.实验结果表明,同传统多分辨率图像融合方法相比,能得到更好的融合效果.     

一种基于支持向量机和半监督期望最大化算法的分级图像标识方法

自动图像标识就是自动识别图像中的有意义目标并赋予其相应的语义关键词, 该过程虽然对于人类来说并不难, 但是对于计算机而言却是一项艰巨而有挑战性的任务. 鉴于人类识别物体通常是一个由粗到细的过程, 本文提出一种层次标识方案. 首先, 输入图像被自动分割成多个区域, 每个区域由支持向量机进行粗分类. 由于粗分类结果会直接影响后续细分类, 本文建立统计的上下文语义关系以修订不正确的粗标识. 接着为了对每个获得粗标识的区域进行细分类, 本文提出一种半监督期望最大化算法, 该算法不仅能为每一粗类别下的细类找到代表模式, 而且能对粗分类区域进行二次分类, 使其获得细标识. 最后我们再次应用上下文语义关系修订不合适的细标识. 为了证明上述识别方案的有效性, 我们开发了一个原型图像标识系统, 实验结果证明该层次标识方案是有效的.