基于支持向量机的MERIS土地覆盖制图及其空间一致性分析(英文)

遵循美国国家土地覆盖数据库2001分类主题及系统(30 m空间分辨率),研究中等分辨率成像光谱辐射仪MERIS(300 m)土地覆盖产品的发展及评价。4种监督分类器包括马氏距离、最大似然、决策树以及支持向量机被用来发展区域土地覆盖信息。结果表明:(1)支持向量机在土地特征刻画过程中分类性能最优;(2)由支持向量机导出的MERIS土地覆盖产品尽管其识别地面细节的能力不及NLCD2001,但其主要地物类型在空间分布上与NLCD2001比较接近。分析还进一步揭示MERIS数据可成功地区划水体、常绿森林、裸地及栽培作物等地物类型,而对于落叶林及灌木林的刻画则性能相对较差。在MERIS土地覆盖产品中观察到从灌木林向裸地、灌木林向常绿森林及灌木林向草地的误分现象。然而,MERIS土地覆盖产品的生产较NLCD2001要节省人力及成本,中等尺度的MERIS土地覆盖产品对于某些科学应用将具有独特的价值。MERIS土地覆盖产品的发展应该充分应用多种辅助信息以及区域调制的分类策略,以期获得更加可靠的分类结果。

消除随机一致性的支持向量机分类方法

在人类自身的学习过程中,对学习结果进行科学客观的评价与反馈是关键环节.通常,由于学习者的知识缺陷或证据不足使得学习过程存在随机性,进一步可能导致学习结果与实际情况产生随机一致性.对此结果的直接反馈将严重影响学习性能的提升.同样,机器学习是以数据为驱动、以目标为导向的学习系统.由于经验历史数据有限、不平衡、含噪音等特质导致学习结果具有随机一致性.然而,以准确度为反馈准则的机器学习系统无法辨识随机一致性,这会影响学习系统的泛化能力.首先给出随机准确度和纯准确度的定义,并且进一步分析消除随机准确度的意义及必要性.然后,基于纯准确度指标,提出消除随机一致性的支持向量机分类方法PASVM,并在KEEL数据集的10种不同领域的基准测试集上验证其有效性.实验结果表明:相比于SVM、SVMperf以及其他可用于优化纯准确度指标的学习方法,PASVM泛化性能有明显提高.

基于一致性预测支持向量机的多分类算法

针对一致性预测支持向量机的多分类问题,提出了两种多分类算法,分别是基于一致性预测一对多支持向量机算法(One-Vs-Rest Support Vector Machine Algorithm Via Conformal Predictors,OVR SVM CP)和基于一致性预测一对一支持向量机算法(One-Vs-One Support Vector Machine Algorithm Via Conformal Predictors,OVO SVM CP)。首先,将多分类问题转化为二分类问题,利用决策函数定义奇异值函数。然后,对这两种算法进行数值模拟实验,并与OVO SVM、OVO LSSVM、OVO TWSVM、HSVM算法相比较。最后,将两种算法应用于6组真实数据集测试其分类预测效果。仿真实验和真实数据应用结果表明,提出的两种算法预测效果较好,相比于其他3种的支持向量机算法有更高的预测准确率。

结合局部全局一致性和支持向量机的半监督分类方法

半监督分类方法通过提取无标签样本的信息,结合有限的有标签样本,克服了高光谱图像准确地物标签样本不足的问题,有效提高了图像的分类精度。局部全局一致性算法是一种基于图的标签传递半监督分类方法,具有性能良好,易于求解以及能够有效反映所有样本间关系的优点,但是其分类结果极不稳定,不利于实际应用。支持向量机是高光谱图像的分类领域应用最广的监督分类方法,拥有较强的鲁棒性,但是由于高光谱图像中有标签的样本不一定能够代表该类地物的全部特征,其分类结果也有可能出现波动性较大的问题,分类精度不理想。因此本文提出了一种结合局部全局一致性和支持向量机的半监督分类算法,通过迭代不断提取两种算法中分类结果相同的部分扩充有标签样本集,然后通过支持向量机进行分类,大幅度提高了分类精度和稳定度。

非下采样剪切波域的临近支持向量机去噪方法

非下采样剪切波(nonsubsampled Shearlet)是一种优秀的多尺度几何分析工具,其不仅可以检测到所有奇异点,而且能够自适应跟踪奇异曲线方向。基于非下采样剪切波,提出了一种使用带有一致性的临近支持向量机(a Proximal Classifier with Consistency,PCC)的图像去噪算法。首先,应用非下采样剪切波把含噪图像分解成不同尺度不同方向的子带;其次,非下采样剪切波系数通过PPC训练被分成两类(无噪系数和噪声系数);最后应用自适应阈值对含噪系数进行去噪。仿真实验结果表明,本文算法不仅拥有较强的抑制噪声能力,而且具有较好的边缘保护能力。

一种改进的临近支持向量机

基于线性临近支持向量机,提出一种改进的分类器—直接支持向量机。该分类器与临近支持向量机相比,对线性分类二者相同;对于非线性分类,直接支持向量机的Lagrangian乘子求解公式和分类器的表达式都更加简单,计算复杂度降低一半,且通过替代核函数就可实现线性与非线性的统一,可使用相同的算法代码,改正了临近支持向量机的不足。数值实验表明,非线性分类时,直接支持向量机的训练速度比临近支持向量机要快一倍左右,而测试速度则快更多,且分类精度并没有降低。

用于回归的临近支持向量机

将临近支持向量分类机应用在回归问题上,提出临近支持向量回归机,给出线性与非线性情况下的回归函数,该方法比支持向量回归机(SVR)问题减少了参数和一半变量,比最小二乘支持向量回归机(LSSVMR)求解公式更加简单,且核函数不需要满足Mercer条件。数值实验结果表明,与SVR和LSSVMR相比,该方法的学习速度更快,且泛化能力较之不相上下。

基于数据域描述的模糊临近支持向量机算法

针对传统支持向量机由于样本中存在孤立点或噪声而导致的过学习问题,通过分析模糊支持向量机和临近支持向量机的特点,借鉴它们的优点:模糊隶属度和临近超平面,提出了一种数据处理方法。该方法考虑了样本点到类中心的距离与样本对分类的贡献率的关系。这种改进使分类更为清晰和准确。结果表明:采用新的模糊隶属度模糊临近支持向量机算法有较高的识别率,但也耗费了较多的训练时间。

模糊临近支持向量机

临近支持向量机(ProximalSupportVectorMachine)是近年提出的一种新的支持向量机。尽管在处理模式分类问题中速度远远超过传统支持向量机,临近支持向量机理论没有考虑不同输入样本点可能会对最优分类超平面的形成产生不同影响。文章给不同的训练样本赋予不同的模糊隶属度,以此来改进临近支持向量机。实验证明这种改进后的模糊临近支持向量机拥有一些临近支持向量机所没有的性能。

用临近支持向量机预测熔喷非织造布的性能

用临近支持向量机(PSVM)建立了熔喷非织造布热空气温度、接收矩离、挤出量等3个工艺参数与过滤效率和透气量两大性能之间的关系预测模型,并用每组条件下两大性能的平均值对模型进行了验证.结果表明:过滤效率和透气量预测的拟合误差分别为0.122和38.49,而预测值与实测平均值之间的相关系数R都接近于1.经对比认为,PSVM的拟合效果非常理想.在此基础上通过计算机模拟方法得到最优工艺参数为:过滤效率最优工艺条件为温度270℃,DCD 15～19 cm,定量100 g/m2;透气量最优工艺条件为温度270～300℃,DCD 20 cm,定量160 g/m2.

基于DC规划方法的稀疏临近支持向量机

为了提高临近支持向量机(PSVM)的数值表现,在PSVM的模型中引入了l0-范数正则项,提出了稀疏临近支持向量机模型(SPSVM),从而提高分类器的特征选择能力。然而带有l0-范数正则项的问题往往是NP-难问题,为了克服这一问题,采用非凸连续函数近似l0-范数,并通过适当的DC分解将问题转化成DC规划问题进行求解,同时还讨论了算法的收敛性。数值实验结果表明不论是在仿真数据还是在实际数据中,所提出的方法是比较有效稳定的。

在线临近支持向量回归机算法

对于时间序列预测问题,临近支持向量回归机的求解矩阵的规模会随着样本数目的增加而急剧增大。针对这一问题,提出了一种在线临近支持向量机回归算法。利用在线学习来更新样本数据以及核矩阵,通过删除旧样本添加新样本来保证训练样本数目的恒定,以降低存储空间和计算代价。实验结果表明,与已有的相关算法相比,所提算法不仅具有良好的预测精度,而且在进行多步预测时,具有较高的预测效率。

基于全局和局部保持的半监督支持向量机

支持向量机(SVM)作为正则化方法的一个特例在模式识别领域得到了成功地运用,然而传统的SVM方法作为一种有监督的学习方法主要依据最大间隔原则得到决策超平面的法向量,而并没有充分考虑样本内在的几何结构以及所蕴含的判别信息.因此,本文将线性判别分析(LDA)的类内散度和保局投影(LPP)的基本原理引入到SVM中,提出基于全局和局部保持的半监督支持向量机:GLSSVM,该方法在继承传统的SVM方法的特点的基础上,充分考虑样本间具有的全局和局部几何结构,体现样本间所蕴含的局部和全局判别信息,同时满足作为半监督方法的必须依据的一致性假设,从而在一定程度上提高了分类精度.通过在人造数据集和真实数据集上的测试表明该方法具有上述优势.

无线传感器网络下线性支持向量机分布式协同训练方法研究

针对无线传感器网络中分散在各节点上的训练数据传输到数据融合中心集中训练支持向量机(Support Vector Machine,SVM)时存在的高通信代价和高能量消耗问题,该文研究了仅依靠相邻节点间的相互协作,在网内分布式协同训练线性SVM的方法。首先,在各节点分类器决策变量与集中式分类器决策变量相一致的约束下,对集中式SVM训练问题进行等价分解,然后利用增广拉格朗日乘子法,对分解后的SVM问题进行求解和推导,进而提出基于全局平均一致性的线性SVM分布式训练算法(Average Consensus based Distributed Supported Vector Machine,AC-DSVM);为了降低AC-DSVM算法中全局平均一致性的通信开销,利用相邻节点间的局部平均一致性近似全局平均一致性,提出基于一次全局平均一致性的线性SVM分布式训练算法(Once Average Consensus based Distributed Supported Vector Machine,1-AC-DSVM)。仿真实验结果表明,与已有算法相比,AC-DSVM算法的迭代次数和数据传输量略高,但其能够完全收敛到集中式训练结果;1-AC-DSVM算法具有较好的收敛性,而且在收敛速度和数据传输量上也表现出显著优势。

结合支持向量机和图割的视频分割

为了提高视频分割的稳定性,提出一种结合支持向量机(SVM)和图割的算法.首先进行预处理,尽可能保持相邻帧背景静止;然后基于均值转移算法进行第1帧分割;再通过上一帧的分割结果采样收集像素的位置和颜色信息作为特征训练SVM,进而对后续帧进行标注;最后以标注的概率作为能量,结合基于图割的视频分割方法得到稳定的分割结果.实验结果表明,与传统图割算法相比,文中算法能得到更加稳定的分块边缘;同时,该算法使用的SVM能很方便地与其他现有视频分割算法结合.

基于多特征和最小二乘支持向量机相融合的行人检测模型

为了提高行人检测正确率,提出一种基于多特征融合和最小二乘支持向量机的行人检测模型。首先提取行人的相位一致性特征和梯度直方图特征,然后采用粒子群算法选择最优特征子集,最后将最优行人检测特征子集输入到最小二乘支持向量机对学习和分类,并采用对模型性能采用仿真实验进行测试。结果表明,相对于其它行人检测模型,本文模型不仅提高了行人检测率、降低了虚警率,而且加快行人检测效率,具有较强的鲁棒性。

多源遥感影像土地覆盖分类结果一致性评价与集成应用

针对多源遥感影像土地覆盖分类结果一致性与分类精度改进的要求,对两组中等空间分辨率的光学影像进行土地覆盖分类,以支持向量机分类结果为基础,采用Kappa统计量、双错误测量、Q统计量、相同错误率从不同角度评价了不同分类结果的一致性。实验表明,多源遥感数据分类结果总体上常规一致性程度较好,二值先验一致性程度尚可,错误一致性程度较小;不同土地覆盖类别的一致性程度并不相同,有的类别甚至出现不一致现象。提出组合法和替换法两种策略以综合数据优点、实现多传感器数据集成应用,能够有效提高分类精度。

中文文本语料库分词一致性检验技术的初探

对大规模语料库中的分词不一致现象进行分析,提出了语料库分词一致性检查和校对的新方法。该方法提取词与词之间语法、语义搭配信息,利用支持向量机的理论对候选序列进行判断,给出一个切分结果,进而提高汉语语料库切分的准确率。

基于一致性法的肺部CT图像血管提取

在肺部CT图像中,血管与背景的对比度较低,很难分辨肿瘤和血管结节。为了解决这个问题,本文提出具有旋转不变性的一致性法。根据肺部CT影像细小血管具有局部亮度和结构光滑的纹理特征检测细小血管。首先采用OTSU等算法快速定位CT图像的肺部区域并对定位出的结果进行去噪,应用图像二值化方法分割出粗大血管,然后对没有粗大血管肺部区域的各个子区域采用一致性法进行分类计算,最后根据细小血管的纹理特征值使用支持向量机对有细小血管的子区域及有肺结节的子区域进行样本训练,判断是否是细小血管然后将其提取。实验说明该方法是有效的。

基于2v-SVM和一致性检验的医学图像融合算法

对于不同模态的医学图像进行融合处理,可为临床提供更多的诊断信息。提出了一种基于2v-SVM和一致性检验的融合算法,首先对低频子图像采用2v-SVM融合规则;然后在高频部分进行一致性检验。试验结果表明,与传统方法相比,这种方法克服了在图像多尺度分解过程中产生的不稳定性和不连续性的缺点,可以使图像的视觉效果更好,并包含更多的信息。