新型二分类支持向量机P2M-SVM

提出基于可能性二均值聚类(Possibilistic Two Means, P2M)的二分类支持向量机(Support Vector Machine, SVM)。该算法先用P2M对未知类别的二分类数据进行划分,然后利用支持向量机对划分后的数据进行训练。人造数据和UCI数据上的分类实验表明,该算法综合利用了P2M聚类的稳健性和SVM分类的强泛化能力,提高了传统聚类的分类精度并降低了SVM的类别采集代价。

企业管理二分类问题研究综述——基于支持向量机

通过梳理企业管理领域的二分类问题,发现二分类支持向量机广泛应用于客户流失预测、上市公司财务困境预警和信用风险评估。并且为了提高预测精度,学者不断改进该模型:为适应具体数据特征,如数据存在外点或噪声点、非平衡性、重叠性、错分代价差异性等,相应引入模糊、加权、双隶属支持向量机以及代价敏感性学习机制等。

基于多分类SVM分类器的晶状体特征提取

支持向量机(Support Vector Machine,SVM)是Vapnik教授等人在根据多年研究统计学理论基础上提出的一种基于统计学原理的VC维理论和结构风险最小化理论用以解决线性不可分这样的分类问题的理论的机器学习方法,对于高维度、非线性、低样本量训练集的特征空间具有很好的泛化性能。医学图像特征提取和分割是图像处理在医学图像领域两个重要的课题:本文基于二分类支持向量机原理建立多分类支持向量机模型,应用于生物眼部瞳孔、晶状体及眼白等不同眼部结构的特征提取,并对实验结果进行分析。本文建立的数学模型和提出的实验方法能够为临床实验提供思路。

结合H-S变换和BSVM的高压输电线路故障识别

针对高压输电线路故障识别元件易受系统工况和一些不确定因素影响的问题,提出一种新的故障分类模型。此模型主要由3个二分类支持向量机分类器、1个零序分量判别器和1个逻辑判断器构成。对三相电流进行H-S变换得到模时频矩阵值,用于对支持向量机分类器的训练;对零序电流进行小波变换计算低频能量,用于零序分量判别器识别;最后逻辑判断器根据二者的输出遍历逻辑表做出判断。通过仿真实验,此模型在各种干扰和工况变化的情况下都能保持良好的性能。

基于词袋模型的监控视频异常活动检测算法

针对监控视频异常活动检测算法检测准确率与鲁棒性较低的问题,提出了一种基于词袋模型与无向图建模的视频异常活动检测算法.(1)将输入视频划分为大小相等的视频片段,提取每个视频片段的时空兴趣点;(2)生成一个局部活动的无向图集,图的顶点表示时空兴趣点,边表示兴趣点之间的关系;(3)分别对局部异常活动和全局异常活动进行分类处理,识别出异常活动.基于公共数据集UMN的仿真实验结果表明,本算法对视频监控中异常活动具有较好的检测准确率.