半监督SVM的工作集样本预选取方法

针对传统的半监督SVM训练方法把大量时间花费在非支持向量优化上的问题,提出了在凹半监督支持向量机方法中采用遗传FCM(GeneticFuzzyCMean,遗传模糊C均值)进行工作集样本预选取的方法。半监督SVM优化学习过程中,在原来训练集上(标签数据)加入了工作集(无标签数据),从而构成了新的训练集。该方法首先利用遗传FCM算法将未知数据划分成某个数量的子集,然后用凹半监督SVM对新数据进行训练得到决策边界与支持矢量,最后对无标识数据进行分类。这样通过减小工作样本集,选择那些可能成为支持向量的边界向量来加入训练集,减少参与训练的样本总数,从而减小了内存开销。并且以随机三维数据为例进行分析,实验结果表明,工作集减小至原工作集的一定范围内,按比例减少工作集后的分类准确率、支持向量数与用原工作集相比差别不大,而分类时间却大为减少,获得了较为理想的样本预选取效果。

基于RSM-S3VM判别模型的员工发型规范监测方法研究

随着新电改全面提速、竞争性电力市场的推进,工作人员的服务形象日益引起电力企业的重视。基于RSM-S3VM判别模型实现员工发型规范的审核与监测。首先基于现有的采集设备所提供的历史采集图像,采用HOG特征与纹理特征相结合的方式确定发质特征,以人员正侧面图像相结合的方式完善发型区域,并以形态学运算加以优化,采用Canny函数获取发型轮廓特征。随后,针对判别模型的构建,采用随机子空间算法解决样本类别不平衡问题,以半监督SVM算法构建判别模型,可实现对批量发型规范与否的判别,进而提高工作人员的服务形象。以国网某营业厅为试验环境,验证了所述方法的时效性与准确性。