Predicting and Classifying User Identification Code System Based on Support Vector Machines

In digital fingerprinting, preventing piracy of images by colluders is an important and tedious issue. Each image will be embedded with a unique User IDentification (UID) code that is the fingerprint for tracking the authorized user. The proposed hiding scheme makes use of a random number generator to scramble two copies of a UID, which will then be hidden in the randomly selected medium frequency coefficients of the host image. The linear support vector machine (SVM) will be used to train classifications by calculating the normalized correlation (NC) for the 2-class UID codes. The trained classifications will be the models used for identifying unreadable UID codes. Experimental results showed that the success of predicting the unreadable UID codes can be increased by applying SVM. The proposed scheme can be used to provide protections to intellectual property rights of digital images and to keep track of users to prevent collaborative piracies.

基于LOF+SVM的异常用电用户分阶段识别方法

准确的电力异常用户识别方法能为供电企业锁定存在窃电行为或其他违规行为的电力用户提供参考。大多数基于机器学习的异常识别模型采用了无监督算法,但模型的准确度还较低。针对上述问题,提出一种结合无监督的局部离群因子(LOF)算法与有监督的支持向量机(SVM)算法的两阶段异常用电用户识别方法。基于分析异常电能表区别于正常电能表的电流电压表现,构建异常识别模型的输入特征;采用无监督的LOF算法进行采样,筛选出可疑样本交给人工进行标记,然后利用标记样本训练有监督的SVM模型;在之后的检测工作中,直接将LOF算法筛选出可疑样本交给SVM模型进行识别。实例结果表明,该方法对电力异常用户的识别准确度高,对供电企业的窃电稽查工作具有指导意义。

基于AHP与SVM的微博机器用户检测方法

以新浪微博中的用户为研究对象,分析并提取机器用户的特征,提出一种新的微博机器用户检测方法。通过层次分析法构建分类指标体系,对各指标特征进行量化评估,利用支持向量机(SVM)算法构建机器用户检测模型。测试SVM中不同核函数对各分类指标的重要性预测,并与量化评估结果进行比对,同时测试不同核函数模型的分类精度,对比两项结果综合选择出最优分类器。实验结果表明,该方法能够对微博中的机器用户进行较为精确的检测。

基于支持向量机的供体剪接位点识别

剪接位点识别是基因识别中的关键环节。本文对待测样本采用0/1编码,以表征各位置上的碱基,并结合碱基二联体出现的频次,最后采用支持向量机(SVM)进行分类决策。HS3D数据集上的仿真结果显示,本方法获得的预测精度为92.84%。

基于双谱LLE降维的PUE攻击检测

针对认知无线电中的主用户仿冒攻击检测问题,给出了基于矩形积分双谱的局部线性嵌入降维算法,用于识别主用户(PU)和仿冒用户(SU)。选择矩形积分双谱作为识别特征参数,利用局部线性嵌入算法(LLE)进行特征数据约简,通过基于核函数的支持矢量机(SVM)进行个体识别。实验结果表明,该方法具有较高的识别率,并能够较好解决PUE攻击检测问题。

基于双编码遗传算法的支持向量机作物病害图像识别方法

为了实现作物病害的计算机识别,采用基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法,对病害图像增强处理,彩色病斑分割,特征参数提取,构建双编码遗传算法优化特征子集,并赋予权重的一对一投票策略支持向量机来分类识别作物病害进行研究。结果表明:在同等条件下,该方法与没有采用遗传算法的支持向量机相比,特征向量减少了38%,正确率提高了6.29%。

基于遗传选择的支持向量机作物病害图像自动识别技术

为了实现作物病害的计算机识别,提出了一种基于双编码遗传特征选择的支持向量机和病害图像多特征参数识别病害的方法。通过病害图像增强处理,采用基于HIS颜色空间的H分量与大津法(Otsu)结合对病斑图像自动分割,自动提取病斑的特征参数;运用双编码遗传算法优化病斑特征子集,并对其赋予权重,底层构建一对一投票策略的支持向量机分类识别作物病害的方法和途径。应用该方法对烟草病害中多种容易混淆的病害进行实验,结果表明:该方法与没有采用遗传算法的支持向量机相比,在同等条件下,特征向量减少了38%,而正确率却提高了6.29%,具有一定的有效性和实用价值。