集成特征选择的最优化支持向量机分类器模型研究

考虑将特征选择集成到支持向量机分类器中,提出集成特征选择的最优化支持向量机分类器——FS-SDPSVM(Feature Selection in Semi-definite Program for Support Vector Machine)。该模型将每个特征分别在核空间中做特征映射,然后通过参数组合构成新的核矩阵,将特征选择过程与机器分类过程统一在一个优化目标下,同时达到特征选择与分类最优。在特征筛选方面,根据模型参数提出用于特征筛选的特征支持度和特征贡献度,通过控制二者的上下限可以在最优分类和最少特征之间灵活取舍。实证中分别将最优分类(FS-SDP-SVM1)和最少特征(FS-SDPSVM2)两类集成化特征选择算法与Relief-F、SFS、SBS算法在UCI机器学习数据和人造数据中进行对比实验。结果表明,提出的FS-SDP-SVM算法在保持较好泛化能力的基础上,在多数实验数据集中实现了最大分类准确率或最少特征数量;在人工数据中,该方法可以准确地选出真正的特征,去除噪声特征。

基于多支持向量机分类器的增量学习算法研究

为了将一般增量学习算法扩展到并行计算环境中,提出一种基于多支持向量机分类器的增量学习算法.该算法根据多分类器对新增样本集的分类结果,以样本到分类超平面的平均距离为条件重新构造支持向量集更新分类器,直到所有分类器的分类精度满足指定阈值.实验结果表明了该算法的可行性和正确性.

基于PCA及聚类技术的支持向量机分类器设计

提出了一种新的支持向量机分类器的设计方法.该方法利用主成分分析(PCA)及聚类技术在原问题空间中求解,减少了支持向量机分类器中支持向量的维数,且将原问题空间与特征空间中的问题归结为同一类的设计问题.

基于线性规划的ν-支持向量机分类器

Scho..lkopf等提出的基于二次规划的ν-支持向量机(ν-SVM)与标准SVM相比,其优势在于可以控制支持向量的数目和误差,但由于增加了模型的复杂性,限制了其应用.为此,构造了一种基于线性规划的ν-SVM分类器,模型简单,参数ν具有明确的意义,同样可以控制支持向量的数目和误差,直接利用比较成熟的线性规划算法.数值实验表明,该方法ν-SVM的训练速度要比基于二次规划的ν-SVM快得多,而分类效果两者相当.

基于支持向量机分类器的活动形状模型

为了精确地寻找活动形状模型中特征点的新位置,提出了一种基于支持向量机分类器的活动形状模型用于人脸特征点定位,即把寻找特征点新位置的任务转化为分类问题。起初,这是典型的两类分类问题,但两类分类器寻找特征点新位置效果并不理想。因此进一步提出把两类分类问题转化为多类分类问题。为每一个特征点训练一个支持向量机多类分类器,并用此分类器寻找该特征点新位置。实验结果表明,基于支持向量机多类分类器的活动形状模型比原始活动形状模型更为精确,稳健。

一种新的支持向量机分类器的设计方法

提出了一种新的支持向量机分类器的设计方法 .该方法利用主成分分析 (PCA)及聚类技术在原问题空间中求解 ,减少了支持向量机分类器中支持向量的维数 ,且将原问题空间与特征空间中的问题归结为同一类的设计问题 .

支持向量机分类器若干核心问题的研究

重点讨论了支持向量机在模式分类中的应用．针对结构风险最小化准则、最优分类超平面的确定、核函数与参数优化、多值支持向量机分类器的设计等核心问题作了较为深入的阐述．指出了支持向量机中需要深入研究的方面．

基于支持向量机分类和语义信息的中文跨文本指代消解

跨文本(实体)指代消解(CDCR)的任务就是把所有分布在不同文本但指向相同实体的词组合在一起形成一个指代链。传统的跨文本指代消解主要采用聚类方法来解决信息检索中遇到的重名消歧问题。将聚类问题转换为分类问题,并采用支持向量机(SVM)分类器来解决信息抽取中的重名消歧和多名聚合问题。该方法可有效融合实体名称的构词特征、读音特征以及文本内部和文本外部的多种语义特征。在中文跨文本指代语料库上的实验表明,同聚类方法相比,该方法在提高精度的同时,也提高了召回率。

利用循环平稳性检测和支持向量机的调制信号分类

非合作接收条件下调制识别算法预处理要求高,分类集有限,为此提出一种基于循环频率特征和支持向量机的调制分类方法.利用信号循环累积量的循环频率为分类特征,不必进行参数估计和同步等预处理,在缺乏先验知识条件下对FSK、PSK、QAM、OQAM、CPOFDM、ZPOFDM等常见调制信号具有良好的识别效果.该方法提升了盲接收环境下的分类效果,扩大了分类集.理论推导和计算机仿真表明,该方法能有效提升非合作接收条件下的盲分类性能.

基于RBF-SVM算法探究不同训练程度参与下功能性近红外光谱信号的智能分类与识别分析

目的:在临床康复训练中保持高水平的参与度可以显著促进患者运动能力的恢复。本研究旨在利用功能性近红外光谱(fNIRS)技术监测被试者在训练过程中的参与状态变化,并应用机器学习算法对不同参与度进行分类与识别,为临床评估提供客观量化参与信息,促进优化康复训练方案。方法:本研究招募了16名健康的右利手被试者,参与了不同难度水平的训练任务。使用一般线性模型选择显著激活的fNIRS通道,提取氧合血红蛋白(HbO)浓度特征,包括均值、斜率和样本熵,利用支持向量机(SVM)分类器对被试者的训练参与程度进行分类和识别分析。结果:通过8次3折交叉验证评估了SVM分类器的性能,结果显示:斜率、均值、样本熵及这三种特征的组合下,分类模型的准确率分别为75.1%、83.2%、80.5%和86.8%。结论:采用SVM分类器能够有效对fNIRS信号进行分类和识别。该研究为运动训练提供了量化参与程度评估信息,将进一步或可为脑卒中运动功能康复智能评估研究奠定理论基础,并为智能康复处方的制定和动态参数调整提供依据,有助于提高运动康复训练效率和效果。

SVM多值分类器在脱机手写体相似汉字识别中的应用

相似字的普遍存在是影响脱机手写体汉字识别率低的主要原因之一。论文研究了支持向量机(SVM)多值分类器在手写相似汉字识别中的应用,所提出的方法采用了小波弹性网格技术提取汉字的特征,通过实验比较了三种不同的SVM分类器组合策略的分类效果。

基于多特征融合的导弹类目标分类识别方法

常规的巡航导弹、空地导弹、制导炸弹3种导弹类目标的分类识别多依赖于目标的运动特性,往往利用目标的高度、速度等运动特征参数作为分类判决的依据,随着导弹武器研制技术的发展,单维度的运动特性已经无法满足精细化识别的需求。针对这一问题,设计了一种导弹类目标分类识别方法,通过融合目标运动特性和雷达截面积(RCS)序列特性,利用多特征层次化识别方法实现对3种导弹类目标的分类识别。仿真试验结果表明该方法对3种导弹目标的分类准确率优于95%,验证了该方法的有效性。

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难。首先利用一个特征映射算法库对振动信号提取特征,并基于Kolmogorov-Smirnov(KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm, BOGA)结合支持向量机分类器(Support Vector Classifier, SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化。通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH;CAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能。

一种基于加权支持向量机的垃圾邮件过滤方法

基于内容的垃圾邮件过滤本质上是文本分类问题,支持向量机分类器非常适合于垃圾邮件过滤这一二分类问题,但标准的支持向量机是基于分类精度进行优化的,对两类邮件的重要性未以区别,造成了邮件分类时虽然整体精度较高,但对正常邮件的误判率也较高.据此笔者提出了一种基于加权支持向量机的垃圾邮件过滤算法,通过增加两类邮件的类别权重及反映每封邮件重要性的权重,对支持向量机分类器进行训练,在保证分类精度的同时,尽可能地降低对正常邮件的误判率.实验表明该算法取得了很好的过滤效果.

基于指纹的支持向量机在室内定位系统中的应用

2018年7月12日,印度哥印拜陀圣克里希纳理工学院的A.Christy Jeba Malar等在《通信和计算科学智能创新》发表的论文指出：对室内环境中的移动物体进行定位是提供各种商业服务和紧急服务时的一项需求.这种环境下,利用WLAN（802.11b无线局域网）技术实现定位更具普适性,且不需要额外硬件,降低了基础设施成本并提高了无线数据网络的价值.通过相关工具记录了来自各参考点（RP）的接收信号强度（RSS）,并构建了指纹无线电地图.指纹的信号特性在每点都不同,通过比较当前信号强度和已经收集的无线电地图可以找到目标位置.几乎所有室内环境都配备了Wi-Fi设备,不需要安装额外的硬件.文章介绍了支持向量机分类器,作为一种成本最低且不会牺牲精度的方法进行定位.所得结果表明该方法定位误差小且准确.

基于机器学习的传感网核心节点漏洞检测仿真

传感网的核心节点具有能量受限、难补给的特点,导致节点轮休时易出现的覆盖漏洞问题,造成传感网监测盲区。为此提出基于机器学习的传感网核心节点漏洞检测方法。利用支持向量机树形多分类器获取核心节点的位置。采取主成分分析法提取核心节点特征,将其输入到LSTM长短记忆神经网络模型中,并利用滑动窗口与哈希函数训练漏洞检测分类模型,完成传感网核心节点的漏洞检测。实验结果表明,研究方法检测传感网漏洞时平均耗时为13.6ms,检测率和准确率均可高达95%,计算得到性能消耗低于10%,90%的用户响应时间均在50ms以内。

一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法

在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法,DPLVSVM将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。

兼顾后续分类器的小波特征选择及在模拟电路故障诊断中的应用

针对模拟电路故障诊断中的特征选择问题,提出了一种兼顾后续支持向量机分类器的小波特征选择技术。新方法利用核函数把特征的评估标准映射至高维空间进行计算,从而在特征的评估和后续支持向量机分类器之间建立联系,并在特征选择阶段解决了核函数的参数设计问题。另外,新方法考虑了所需故障分类器的结构信息,因此选择的小波特征更适合后续分类器使用,从而能够提高模拟电路故障的诊断精度。仿真和实际电路的实验结果均验证了所提出技术的有效性和正确性。

基于SIFT-SVM的发动机主轴承盖识别与分类

机械零部件的识别与分类任务是制造业自动化生产线的关键环节。针对发动机主轴承盖混合清洗后的分类,通过分析发动机主轴承盖零件的实际特征,提出基于SIFT-SVM的主轴承盖分类识别方法。该方法首先提取训练数据集图像的所有尺度不变(SIFT)特征向量,采用K-means聚类方法,将所有的特征向量聚类成K个分类,并将其代入词袋模型(BoW)中,使用K个"词汇"来描述每一张训练图像,从而得到图像的BoW描述。且以每张图像的BoW描述作为训练输入,使用支持向量机(SVM)训练主轴承盖的分类模型。实验结果表明:在标定的照明条件下,主轴承盖零件的识别率可达100%,单个零件识别时间为0.6 s,验证了该算法的有效性和高效性。

牛乳体细胞分类器的研究与实现

牛奶中所含体细胞的类别与数量是诊断与治疗奶牛乳腺炎的重要依据。针对牛乳体细胞分类识别问题,本文针对牛乳体细胞构建四个单一分类器分别是K近邻分类器、支持向量机分类器、BP神经网络分类器和随机森林分类器对牛乳体细胞进行分类识别。牛乳体细胞与其他人体血液细胞存在不同,目前针对牛乳体细胞方面的研究较少,因此本文针对牛乳体细胞进行分类研究,实现单一分类器对牛乳体细胞的高精度分类。