基于SOM神经网络和支持向量机的方言辨识

建立了一个基于SOM神经网络和支持向量机(SVM)的汉语方言辨识系统。该系统以湖南方言作为研究对象,借助SOM神经网络对不同方言的MFCC特征参量进行聚类,并用SVM作为最终的决策辨识器。实验结果表明:该系统与传统系统相比实时性和辨识率较好,特别适用于信噪比低的情况。     

结合二进制PSO的SVM在园林评价中的应用

根据支持向量机算法的原理,建立基于支持向量机的园林设计评价模型,通过引入二进制微粒群算法对影响园林设计的特征参数进行选择,解决了大量无关或冗余特征所造成的"维数灾难"和降低分类器性能的问题,利用SVM多类分类器实现了对园林设计的评价。实例分析表明,该方法提高了园林设计评价的准确性和可靠性。     

基于实例重要性的SVM解不平衡数据分类

在不平衡数据分类问题中,作为目标对象的少数类往往不易识别.常见方法存在需要显式设置实例重要度、仅仅间接支持少数类的识别等缺点.由此,文中提出基于实例重要性的支持向量机--ⅡSVM.它分为3个阶段.前两个阶段分别采用单类支持向昔机和二元支持向量机,将数据按照"最重要"、"较重要",和"不重要"3个档次重新组织.阶段3首先选择最重要的数据训练初始分类器,并通过显式设置早停止条件,直接支持少数类的识别.实验表明,ⅡSVM的平均分类性能优于目前的主流方法.     

基于直推式支持向量机的图像检索

为缩小图像的低层特征与高层语义之间的语义鸿沟,基于支持向量机的相关反馈机制受到越来越广泛的关注,但这种方法并没有利用未标记样本的隐含信息.为更好地利用这些信息,提出将直推式支持向量机作为反馈过程中的学习算法.通过分析其所用特征向量的特点,设计一种颜色稀疏特征,并将其与纹理特征结合作为图像描述的特征.实验结果表明该方法较令人满意,同时也说明直推式支持向量机可在文本分类以外的领域取得较好结果.     

改进粒子群算法在支持向量机训练中的应用

训练支持向量机需要求解二次规划问题,LPSO算法对于求解含线性约束优化问题是一种直观、简单的方法。改进后的LPSO算法较好的解决了早熟收敛问题。对谷氨酸发酵过程建模的实验表明本文提出的方法训练精度高,泛化能力强。     

基于支撑向量机的航空发动机故障诊断研究进展

支撑向量机因其适用于多参数、小样本的非线形问题,是一种极具潜力的航空发动机故障诊断方法。在分析基于支撑向量机的航空发动机故障诊断研究进展的基础上,对若干需要进一步研究的问题,如核函数的参数选择、核函数的选择、多类故障的分类策略以及SVM算法的优化进行探讨。     

自动选取特征的行人跟踪

根据非刚性物体运动的特点,提出一种利用支持向量机有效对多目标进行分离并能自动选择目标最明显特性区域的覆盖比算法,克服了以往对选取区域事先进行设定的情形。采用目前常用的加权颜色直方图作为备选粒子,进行行人跟踪。由于建立了合理目标颜色模型,减少了对粒子数量的需求,降低了计算复杂度,有利于实现实时跟踪。利用Bhattacharyya距离描述粒子与目标颜色模型的相似性,作为粒子更新权值的依据。试验结果证明了自动选取被跟踪目标的特征与事先设定备选区域有等价效果。     

基于内容的图像检索中SVM和Boosting方法集成应用

提出一种适用于图像内容检索的AdaBoostSVM算法。算法思想是采用支持向量机(SVM)作为AdaBoost算法的分量分类器;基于相关反馈检索机制,通过增加重要样本来模拟AdaBoost算法的权重调整方法。在包含2000幅图像的数据库中进行了检索实验,结果表明AdaBoostSVM算法能有效提高系统的检索性能。     

基于一种改进粒子群算法的SVM参数选取

支持向量机作为一个新兴的数学建模工具已经被广泛地应用到很多工业控制领域中,其良好的泛化能力和预测精度在很大程度上受到其参数选取的影响.根据智能群体进化模式改进粒子群优化算法.利用模糊C均值聚类算法分类粒子群体,并用子群体最优点取代速度更新公式中的个体历史最优点,并利用该算法搜索支持向量机的最优参数组合.对比仿真实验表明:所提优化算法是支持向量机参数选取的有效算法,在非线性函数估计中体现出优良的性能.     

矢量信号分析中匹配滤波器的参数寻优与仿真

研究数字调制系统和信号测试问题,为了方便、快捷的设置与优化匹配滤波器的相关参数,为了得到精确矢量信号和优化参数,在深入研究矢量信号分析技术的基础上,分析了滤波器参数对矢量信号分析结果的影响,提出了以误差矢量幅度(EVM)最小为准则的匹配滤波器参数自动寻优方法,并在MATLAB平台上进行仿真结果表明,方法具有较好的可行性与有效性.