基于决策导向非循环图支持向量机的脱机手写体汉字识别

目前脱机手写体汉字识别在小字符集方面取到了比较好的效果,但在大字符集方面仍存在着识别速度慢、准确率低等问题。不同于传统的二叉树方法,本文将决策导向非循环图用于汉字识别,并加以改进。仿真实验表明,该算法能对大字符集的手写体汉字进行识别,有效减小了误差,具有较高的识别率。

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。

基于优化DDAGSVM多类分类策略的电能质量扰动识别

针对电能质量扰动类型多样且识别率不高的问题,该研究的目的是如何将多类分类问题应用于支持向量机。首先通过S变换和FFT变换提取扰动信号特征量进行模型训练。其次将广义KKT判定条件与样本空间分布序列相结合引入类间识别度,将类间识别度最高的超平面函数作为分类器根节点,以此克服传统决策导向非循环图支持向量机分类器(DDAGSVM)在分类生成顺序上随机化的缺点,并将改进的DDAGSVM应用于电能扰动信号的识别分类。实验结果表明,所提算法较传统DDAGSVM算法有良好效果和更好的鲁棒性。