一种应用于多类声目标识别的改进DDAGSVM

在多目标识别中,决策导向无环图支持向量机(DDAGSVM)是一种有效的方法。但在分类过程中它存在误差累积现象。在分析此问题的基础上,借用广义核函数fisher最佳鉴别的思想,提出了一种基于Fisher判别率的改进DDAGSVM。最后应用改进算法对四种防空战场目标的声信号进行分类识别。实验结果表明它很大程度上降低了累积误差,较原算法提高了分类精度。

一种改进的DDAGSVM多类分类方法

支持向量机最初是针对两类分类问题提出的,如何有效地将其推广到多类分类问题仍是一项有待研究的课题。本文介绍了现有的具有代表性的多类支持向量机分类算法,并在分析决策导向非循环图支持向量机分类器生成顺序随机化的基础上,引入类内的分散度,以基于样本分布的类间分离程度作为类别的划分顺序,最终构成了一种分类间隔较大的决策导向非循环图支持向量机分类算法。实验结果表明了本文方法具有更高的分类精度。

一种改进的DDAGSVM决策算法

决策导向无环图支持向量机(DDAGSVM)是一种典型的SVM多类分类算法,然而传统SVM决策分类器存在误差积累,其推广能力有待进一步提高。为改进DDAGSVM,有效的做法是定义一种类间可分离性测度,将容易分的类先分割出来,然后再分不容易分的类,使错分尽可能地远离图的根部。引入了一种基于广义KKT条件的类间可分离性测度,提出一种改进的DDAGSVM分类决策算法。三螺旋线实验和HRRP分类实验证明该方法对控制分类错误有明显的效果。

类间距节点优化DDAG-SVM算法在多故障诊断中的应用

针对决策导向无环图支持向量机(DDAG-SVM)方法根节点的选择会影响分类结果的不同及影响故障诊断的准确性的问题,文中将DDAG-SVM多分类方法中的节点进行优化,得到了一种通过计算类间距确定分类树根节点的改进算法.实验结果表明:类间距节点优化的DDAG-SVM方法较传统DDAG-SVM分类方法准确率提高了4%,且分类效率提高了26.1%.

DDAG支持向量机在ERT系统流型识别中的应用

针对两相流体流动特性复杂、流型识别准确率低等问题,提出一种能够提高两相流流型识别率的方法。首先采用小波包分析对ERT系统测量的压差波动信号进行特征提取;然后通过计算类间不可分离程度为每个节点选取最易分的两类构造DDAG支持向量机多类分模型;最后将特征数据输入分类模型进行流型识别。通过实验对比,四种流型识别的准确率要明显高于其它常用方法的流型识别。结果表明,小波包分析和DDAG支持向量机多类分类算法较大提高了油/水两相流流型识别的精度,是一种有效的流型识别方法。

基于结构优化的DDAG-SVM上肢康复训练动作识别方法

针对上肢康复训练系统中训练评估方法核心的动作识别问题,提出一种面向Brunnstrom 4~5期患者上肢康复训练动作的SODDAG-SVM(Structure-optimized decision directed acyclic graph-support vector machine)多分类识别方法.首先将多分类问题分解成一组二分类问题,并使用支持向量机构建各二分类器,分别采用遗传算法和特征子集区分度准则对各二分类器的核函数参数及特征子集进行优化.然后使用类对的SVM二分类器泛化误差来衡量每个类对的易被分离程度,并由其建立类对泛化误差上三角矩阵.最后由根节点开始,依次根据各节点的泛化误差矩阵,通过选择其中最易被分离类对的SVM分类器构成该节点的方式,来构建SODDAG-SVM多分类器结构.当待预测的实例较少时,直接构建实例经过的SODDAG-SVM部分结构并对实例进行预测;当待预测的实例较多时,先构建完整的SODDAG-SVM结构,再代入所有实例进行预测.通过人体传感技术获得Brunnstrom 4~5阶段上肢康复训练的常用动作样本集,进行SODDAG-SVM动作识别实验,准确率达到了95.49%,结果均优于常规的决策有向无环图(Decision directed acyceic graph,DDAG)和MaxWins方法,实验表明本文方法能有效地提高上肢康复训练动作识别的准确率.

基于结点优化的决策导向无环图支持向量机及其在故障诊断中的应用

支持向量机(Support vector machine,SVM)是利用离在线数据自动建立故障诊断模型的智能方法,它在多故障诊断时,必须先进行多分类扩展.决策导向无环图(Decision directed acyclic graph,DDAG)法是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,而其结点的排部却是主观的,影响了诊断的正确率.本文提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在变压器故障诊断中获得良好效果.

基于多分类相关向量机的水电机组振动故障诊断

水电机组振动故障成因与故障征兆之间呈复杂的非线性关系,传统方法难以描述。当前研究常采用模式识别方法,如支持向量机、神经网络等实现振动故障诊断。该文在现有研究基础上,引进相关向量机(relevance vector machine,RVM)对诊断过程进行改进。相比传统方法,该文所提方法在学习过程中参数设置简单,在输出结果时给出了分类的可靠性,适合实际工程应用。同时,该方法在决策过程中,能够根据训练数据分布情况,自动选取决策结构,进一步提高诊断的速度与准确性。将该文所提诊断方法用于水电机组振动故障诊断实例,取得良好效果,验证了算法的有效性。

基于SVM多类分类算法的模拟电路软故障诊断

给出了基于支持向量机(SVM)1-v-1和决策导向无环图(decision directed acyclic graph,DDAG)多类分类算法的模拟电路软故障诊断新方法.DDAG是在1-v-1算法基础上构建的新的学习架构,在对多个SVM子分类器进行组合的过程中,引入了图论中有向无环图的思想.比较了采用不同核函数时支持向量机的分类结果.实验结果表明采用DDAG支持向量机(DAGSVM))多类分类算法时,诊断准确率为99%.因此,DAGSVM算法具有较高的诊断准确率.

图像多分类主动学习方法

以决策速度快的决策导向非循环图支持向量机(Decision DirectedAcyclic Graph Support Vector Machine)为基准分类器,结合主动学习的思想,提出了一种图像多分类主动学习方法。这种方法是一种半自动的图像语义分类方法,可以将图像分成多个语义类别。该方法在最近边界主动选择方法的基础上,提出一种基于质疑度的主动选择策略。这种策略将SVMactive中提出的最近邻SVM分类面选择的反馈样例策略延伸到多分类中,通过区别对待奇异样例和容易错分样例,减少了噪声数据对分类器的干扰,提高了分类的精度。

视频监控系统中小运动目标分类算法

给出了视频监控中的一个小目标分类算法.首先,利用最大互信息获得一组可靠、独立且具辨认力的目标特征集.然后,用有向无环图的多类支持向量机进行分类.分类器的训练分为两步,首先使用场景无关的特征量训练得到基准分类器;然后再利用与场景相关和无关的特征量,进一步训练分类器,以便提高分类器的精度.实验结果证明该算法不仅能满足一定的分类精度,而且对新场景具有很好的适应能力.

结合主动反馈的图像多分类框架

为了解决图像语义分类中的训练数据不对称、小样本训练和噪声数据这3个难题,提出结合主动反馈的图像多分类框架。该框架将主动选择的策略应用到图像的多分类中,通过主动的选择出不确定的图片给用户手动标记,扩大训练图片集,提高分类的精度。为了验证该框架的有效性,提出一种有效的结合主动选择的图像多分类算法,即结合投票的DDAGSVM(decision directed acyclic graph support vector machine)算法。该算法提出了新的主动选择策略,即结合投票和旁移机制的主动选择策略。实验结果表明,该算法能有效应用到图像多分类中,比DDAGSVM和采用普通主动选择策略的DDAGSVM具有更高的分类的精度。

基于DAG-SVM的居民出行方式选择模型

提高居民出行方式的预测精度对于评价交通规划方案、交通策略的效果具有重要意义。应用心理学、行为科学的方法分析了出行决策的思维过程,将出行决策过程结构化,建立出行情景库,并采用主成份法分析了影响方式选择的主要因素,作为支持向量机模型的输入。利用统计学习理论分析了支持向量机与神经网络在建模原理上的区别,建立了基于有向无环图-支持向量机(DAGSVM)的方式选择模型,阐述了模型的具体步骤。通过实验对不同核函数的预测效果进行了评价,并采用网格法和遗传算法进行参数寻优。结果表明,核函数选择径向基函数效果较理想,参数寻优方法上遗传算法比网格法效果更好。通过优化后,DAG-SVM模型的整体预测精度达到了82.3%,比神经网络提高了近9%。但对出租车出行的预测准确率略低于其他方式,这主要由于出租车常被作为特殊情况下的备选方式,其出行规律性相对较差。

基于DAGSVM和决策树的电气草图符号识别

针对电气行业设计人员构思初步电路方案徒手绘制电气草图时,存在的电气符号模糊性和输入的随意性等缺点,提出基于有向无环图支持向量机(DAGSVM)和决策树的组合符号识别模型。提出了改进的有向无环图支持向量机多分类算法用于基本符号识别和组合符号识别;在组合符号预分类过程中引入决策树算法用来减少分类器的数量。应用结果表明:应用该模型的系统不仅能够有效识别出各种复杂的手绘电气符号,且有效地降低了识别的计算成本。该系统能帮助电气工程师将设计思想快速、清晰地转换为电气工程图,提高了设计效率。

一种基于有向无环图的多类SVM分类器

本文提出了一种多类SVM分类器——ACDMSVM,它是基于决策有向无环图和积极约束的多类SVM分类器。对于k类问题,它将k(k-1)/2个改进的二类SVM分类器进行组合。为了提高分类器的训练及决策速度,对标准的二类SVM分类器进行三个方面的改进:利用大间隔方法,对软间隔错误变量采用2-范数形式并应用积极约束。在训练阶段,使用含有根的二元有向无环图进行节点的选择,该有向无环图含k(k-1)/2个内部节点和k个叶节点。数值实验表明这是一种快速的多类SVM分类器。

基于EEMD的异常声音多类识别算法

为了提高异常声音信号的识别率,提出一种将总体平均经验模态分解和梅尔频率倒谱系数、短时能量及能量比相结合的特征提取改进算法,并对决策导向无环图支持向量机多类识别算法进行改进.首先对声音信号进行分帧,然后对每帧信号进行总体平均经验模态分解得到固有模态函数,最后对每层固有模态函数提取梅尔频率倒谱系数、短时能量和能量比特征.根据提取的特征,采用改进的决策导向无环图支持向量机算法对五种异常声音信号进行识别.仿真结果表明：改进的特征提取算法和决策导向无环图支持向量机多类识别算法相比改进前识的别率分别提高了2%和2.5%.

交互迭代一对一分类算法

在基于支持向量机的多分类算法中,一对一算法表现出较好的性能.然而此算法却存在不可分区域,落入该区域的样本不能有效被识别,因此影响了一对一算法的性能.为解决这个难题,提出交互迭代一对一分类算法,同时给出算法的有效性分析和计算复杂度证明.为了验证该算法解决不可分区域的能力,我们选用 UCI 数据集来做对比实验.实验结果显示,本文算法不但可以较成功解决不可分区域问题而且表现出比其它算法更好的性能.

有向无环图决策支持向量机和经验模式分解在轴承故障诊断中的应用

当旋转机械发生故障时,其振动信号常常表现出较为复杂的调制形式,经验模式分解能根据信号的真实物理意义完成自适应分解。支持向量机由于其出色的学习性能和良好的推广能力,使其在包括故障诊断在内的众多领域得到较为广泛的应用。利用经验模式分解结果提取频带能量特征向量,采用有向无环图决策支持向量机实现对轴承状态的判别,并基于留一法优化支持向量机的模型参数。最终的应用结果表明,基于EMD和有向无环图决策支持向量机方法可以有效实现对轴承的状态判别。