Fisher正则化的最小二乘孪生支持向量机

最小二乘孪生支持向量机是一种有效的模式分类算法,然而每一个训练样本都对最终的决策平面有影响。如果训练集含有噪声或异常点,其会过度关注这些点,这可能导致最小二乘孪生支持向量机的判别能力较差。为了解决这个问题,受Fisher准则思想的启发,本文引入了双Fisher正则化项,并在此基础上提出了Fisher正则化的最小二乘孪生支持向量机。同时,在人工数据集和UCI数据集上验证了所提算法的有效性。

奇异值分解和最小二乘支持向量机在电能质量扰动识别中的应用

基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性。提出了基于二值粒子群优化(binary particle swarmoptimization,BPSO)的多核学习SVM分类方法(BPSO-MKSVC)进行变压器故障诊断。多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解。采用BPSO优化算法对MKSVC中的基核数及模型参数进行优化,实现了参数的自主选择。与常用诊断算法相比,BPSO-MKSVC具有更高的诊断精度;与PSO优化的SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性。

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。

基于奇异值分解和最小二乘支持向量机的气-液两相流流型识别方法

针对气-液两相流压差波动信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了一种基于奇异值分解和最小二乘支持向量机(LS-SVM)的流型识别方法。该方法首先采用经验模态分解将气-液两相流压差波动信号分解为多个平稳的固有模态函数之和,并形成初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,得到矩阵的奇异值,将其作为流型的特征向量,根据LS-SVM分类器的输出结果来识别流型。对水平管内空气-水两相流4种典型流型进行识别,结果表明,与神经网络相比,该方法具有更高的识别率和识别速度。

利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类

根据木材缺陷类型及视觉特点的不同,将木材缺陷分为6类,加上正常无缺陷木材共分7类;实验将图像样本转化为灰度图后生成680个训练样本数据集和94个测试样本数据集。在分析单一方向梯度直方图(HOG)特征及局部二值模式(LBP)采用不同核函数对木材缺陷分类性能的基础上,提出局部二值模式和方向梯度直方图融合特征对木材缺陷分类。融合特征经主成分分析并降维,利用支持向量机的4种不同核函数分别验证局部二值模式和方向梯度直方图融合特征对木材缺陷分类的性能。结果表明:利用局部二值模式和方向梯度直方图融合特征比单一缺陷特征具有更高效的分类性能;采用线性核函数及高斯核函数对局部二值模式和方向梯度直方图融合特征进行支持向量机分类,分类准确率分别可达98.9%和97.8%,木材缺陷可实现自动检测分类。

基于局部二值模式和辨识共同向量的步态识别

最近,利用步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,局部二值模式(LBP-Local Binary Pattern)能很好地提取局部信息,所以利用局部二值模式(LBP)来提取步态能量图(GEI)的局部特征并用于识别。首先,为了更好地提取局部信息,把步态能量图(GEI)分块,提取各个子块上的LBP特征,然后把各子块在特征层进行融合,得到整个步态能量图(GEI)的特征表达;同时为了更好地挖掘步态能量图(GEI)的信息,对LBP模式进行了扩展。由于得到的LBP特征维数较高,利用具有降维和良好识别能力的辨识共同向量(DCV-Discriminant Common Vector)对步态能量图的LBP特征进行维数约减并增加类间距离。最后,只需利用简单的最近邻分类器就能取得较好的识别效果。将该算法在CASIA数据库上进行了试验,并取得了较高的正确识别率。

基于支持向量机的低质量文档图像二值化

针对低质量文档图像受墨迹浸润、页面污渍、背景纹理或光照不均等因素的影响,提出一种基于支持向量机(SVM)的低质量文档图像二值化方法。该方法对文档图像进行分块,并增强每个图像块的局部对比度;利用SVM将这些图像块分成三类,对不同图像类采用不同的阈值处理,实现粗略分割;通过笔画宽度估计确定邻域窗尺寸,从而实现局部精细二值化。实验结果表明,该算法无论从二值化图像质量,还是各种评估参数,较其他经典文档二值化方法都具有明显优势。

基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法

为了解决奇异值分解(SVD)对不同信号分解的有效奇异值个数不同,而影响故障识别准确性的难题,提出了基于二次SVD和最小二乘支持向量机(LS-SVM)的故障诊断方法。该方法利用奇异值曲率谱自适应选择有效奇异值重构信号,进行二次SVD处理,获得相同个数的正交分量,求解其能量熵,并构造故障特征向量,用于LS-SVM分类模型故障识别。将该方法应用于轴承故障诊断,与利用特定个数的主奇异值作为特征向量的方法相比,准确度提高了13.34%,表明了该方法的可行性和有效性。

基于局域二值模式与支持向量机的年龄估计

为了解决在人脸识别过程中由于年龄的变化而使人脸识别率急剧下降的问题,可在识别过程中加入快速、准确的年龄估计。提出了一种基于局域二值模式LBP(Local Binary Pattern)与支持向量机SVM(Support Vector Machine)回归相结合的年龄估计方法。对于人脸图像首先采用基于局部纹理特征的LBP算子进行人脸纹理特征提取;然后用基于整体特征的PCA方法对提取出来的纹理特征向量进行降维;最后使用SVM回归进行训练得到全局年龄函数,建立纹理特征向量与年龄之间的对应关系。实验结果表明,这种方法可以快速有效地对人脸图像进行年龄估计。

基于二值特征和结构化输出支持向量机的目标快速跟踪算法

复杂场景下基于判别式分类器的目标跟踪通常采用复杂的外观表示模型以提高跟踪精度,但影响了算法的实时性。为此,提出一种基于半色调的二值特征来描述目标的外观,在此基础上对结构化输出支持向量机(SVM)的核函数进行改进,实现了判别模型的快速更新和判别;同时提出一种基于分块匹配的判别模型更新策略,保证了跟踪过程中样本的可靠性。在Benchmark数据集上进行的测试实验中,与压缩跟踪(CT)算法、跟踪学习检测(TLD)算法和核化的结构化输出跟踪(Struck)算法相比,在跟踪速度上,该算法分别提高了0.2倍、4.6倍、5.7倍;在跟踪精度上,当重叠率阈值取0.6时,该算法的成功率达到0.62,而其他三种算法的成功率均在0.4以下,当位置误差阈值取10时,该算法的精度为0.72,而其他三种算法精度均小于0.5。实验结果表明该算法在发生光照变化、尺度变化、严重遮挡和突变运动等复杂情况下均具有很好的鲁棒性和实时性。

基于支持向量机的局部二值模式加权算法在人脸识别中的应用

针对人脸特征的提取问题,提出了在SVM的基础上结合局部二值模式(LBP)加权算法。首先描述了人脸图像的LBP和深度LBP特征,通过加权形成人脸特征向量,通过这些向量采用支持向量机进行分类,依托人脸数据库进行仿真。实验结果表明,本文算法提高了人脸平均识别率以及识别效率,具有一定的推广价值。

基于支持向量机的局部二值模式加权算法在人脸识别中的应用

针对人脸特征的提取问题,提出了在SVM的基础上结合局部二值模式(LBP)加权算法。首先首先描述了人脸图像的LBP和深度LBP特征,通过加权形成人脸特征向量,通过这些向量采用支持向量机进行分类,依托人脸数据库进行仿真。实验结果表明,本文算法提高了人脸平均识别率以及识别效率,具有一定的推广价值。

无约束向量集值优化中的二次最优性条件

考虑集值向量优化中的二次最优性条件.引进了新的集值映射的二次切上导数概念,并利用这个概念给出了在无约束条件下弱有效点对,Henig有效点对,整体有效点对,f-有效点对的充分和必要条件,以及Benson有效点必要条件.

向量集值优化中的二次最优性条件

考虑集值向量优化中的二次最优性条件。引进了新的集值映射的二次切上导数概念,并利用这个概念给出了在无约束条件下弱有效点对,Henig有效点对,整体有效点对和f-有效点对的充分和必要条件,以及Benson有效点必要条件;还给出了有约束条件前四种有效点对的必要条件。

求解平面向量的最值与取值范围问题的思维方法

平面向量的最值与取值范围问题是高中数学的一个重要知识点,也是每年高考的常考点,同学们要熟练掌握并能灵活应用。下面就有关这方面的问题进行举例分析,供同学们参考。一、借助向量的模或数量积的意义构建二次函数求最值例1如图1所示,半圆的直径AB=2,O为圆心,C是半圆上不同于A,B的任一点,若P为半径OC上的动点,则(PA→+PB→)·PC→的最小值是__。

带约束向量集值优化中的二次最优性条件

考虑带约束集值向量优化中的二次最优性条件,引进了新的集值映射的二次切上导数概念,并利用这个概念给出了带约束条件的弱有效点对,Henig有效点对,整体有效点对,f-有效点对的必要条件.

基于优化采样支持向量机的指纹二值化方法

针对指纹识别中的指纹二值化问题,提出了一种基于4-邻域均值模板和直方图搜索的优化采样方法.定义计算速度快的4-邻域均值模板来区分边缘像素点和中间像素点,同时基于灰度直方图,搜索统计量较多的像素点作为采样点.将优化采样后所得像素值以及4-邻域均值模板计算值作为训练集,通过支持向量机完成指纹二值化、FVC2004数据库验证以及与相关算法的结果比较.结果表明,所提出的算法分类精度更高,对边缘像素点处理更精准,同时计算速度更快.

核电厂环境辐射监测传感器网络中缺失值的粒子群算法-最小二乘支持向量机估计算法

传感器节点监测数据缺失会影响核电厂外围环境辐射监测的连续性,必须对缺失数据进行准确估计。提出一种基于最小二乘支持向量机(LSSVM)的监测数据缺失值估计算法,采用粒子群算法(PSO)确定模型参数的优化组合,根据核电厂外围环境(剂量率变化特点,利用节点的历史监测数据和相邻节点当前监测数据构造样本空间,对传感器节点监测数据缺失值进行估计。用实际数据进行的实验结果表明,所提出的估计算法的最大相对估计误差为3%,相关系数为0.926375,估计精度远高于基于BP神经网络模型的估计算法,也优于采用GA优化参数的LSSVM估计算法。

基于最小二乘支持向量机的马铃薯叶片SPAD值估算

采用Savitzky-Golay平滑滤波法对块茎形成期的马铃薯高光谱数据进行预处理,通过研究光谱数据的一阶导数、二阶导数、连续统去除和原始光谱4种光谱变换的特征波段以及归一化植被指数(NDVI)、差值植被指数(DVI)、增强型植被指数(EVI2)、比值植被指数(RVI)4种植被指数与SPAD(叶绿素相对含量)值的最佳波段,利用最小二乘支持向量机(LS-SVM)模型估算马铃薯的SPAD值,建立了基于LS-SVM的马铃薯SPAD值最佳估算方法。结果表明:光谱变换敏感波段估算模型中最优的是基于一阶导数变换模型,在植被指数敏感波段估算模型中最优的是基于NDVI、DVI、EVI2这3种植被指数敏感波段组合的模型,但基于植被指数的LS-SVM估算精度均高于基于光谱变换敏感波段的估算精度。这说明LS-SVM模型建立的马铃薯SPAD值估算模型是可行的,能适用于马铃薯叶绿素的反演。