基于KL散度的支持向量机方法及应用研究

针对ICA提取的说话人语音特征,导出以库尔贝克—莱布勒(KL)散度作为距离测度的KL核函数用来设计支持向量机,实现了一个高分辨率的ICA/SVM说话人确认系统.说话人确认的仿真实验结果表明,使用ICA特征基函数系数比直接使用语音数据训练SVM得到的分类间隔大,支持向量少,而且使用KL核函数的ICA/SVM系统确认的等差率也低于其它传统SVM方法,证明了基于KL散度的支持向量机方法在实现分类和判决上具有高效性能.*

基于KL和核Fisher判别的车位检测方法

提出一种基于KL变换和核Fisher判别的车位检测方法,对车位图像进行预处理,将该车位图像投影至已通过KL变换构造出的特征车位子空间中,得到的投影系数即为车位的特征向量,利用核Fisher判别进行车位占用情况的判别。仿真实验采用3种不同的核函数进行核Fisher判别比较,结果表明,采用高斯径向基核函数的车位检测判别方法检测的效果最佳,检测正确率高达97.6%。

基于KL变换和支持向量机的空闲车位检测方法

空闲车位自动检测是现代智能化停车场设计时面临的重要问题,针对此问题,提出了一种基于KL变换和支持向量机的空闲车位自动检测方法,算法首先对经过灰度化和滤波处理后的车位图像进行KL变换,将车位图像从图像空间映射至特征子空间,从而提取出用于检测的特征参量;在此基础上利用训练后的支持向量机完成空闲车位的检测。实验结果表明,该方法能够有效检测出车位的停车信息,对噪声不敏感,且能够对不同环境采集的车位图像具有很强的适应性和鲁棒性。

MMCKDE:基于数据流的m-混合聚类核概率密度估计

数据流挖掘应用对时间、空间有着较高的要求,因而传统的密度估计方法,如核密度估计法、压缩集密度估计法等并不适用于数据流密度估计.提出一种新颖的面向在线数据流的m-混合聚类核密度估计(m-mixed clustering kernel density estimation,MMCKDE)方法,该方法通过创建MMCKDE节点,用固定个数的混合聚类核获得聚类信息,以代替其他密度估计方法中的所有核.针对数据量不断增加的情况,通过计算Kullback Leibler(KL)距离进行核合并,可进一步以更紧凑的形式表示概率密度估计信息.较之于其他一些方法只能估计整段数据流的密度,MMCKDE方法最终获得的模型不仅适用于整段数据流,还适用于任意时间段上的密度估计.MMCKDE算法同SOMKE算法在不同基准数据集及真实数据集上进行密度估计精度和运行时间的比较.实验结果表明,MMCKDE算法具有更好的性能.

基于GMM超向量核函数的说话人识别

针对现有说话人识别系统识别率不高,鲁棒性能差的缺点,提出了一种基于超向量的核函数构造方法。通过对超向量进行KL散度变换和L2线性内积变换,分别得到KL散度线性核函数、KL散度非线性核函数以及L2内积核函数。实验结果表明,将这三种核函数分别应用于支持向量机的说话人识别系统,可以得到优于常规核函数的识别性能。