支持向量描述鉴别分析及在人脸识别中的应用

数据降维是模式识别的重要组成部分。支持向量鉴别分析(support vector discriminant analysis,SVDA)依最优超平面法线方向投影对数据进行降维,克服了传统方法中假设数据满足高斯分布时,导致无法反映超平面单侧中多类数据间投影距离差异并影响了算法有效性的缺点。提出一种支持向量描述鉴别分析(support vec-tor description discriminant analysis,SVDDA)算法,首先利用支持向量机最优超平面获取样本的类属信息,然后通过SVDD的超球面法线作为投影轴取得样本的投影距离,取两信息的组合作为样本的特征映射。算法利用SVDD的一类紧致超球特性,弥补支持向量鉴别分析的不足。通过人脸识别实验,验证了该算法的有效性。

支持向量数据描述鉴别分析

结合支持向量机(Support vector machine,SVM)最大类间间隔和支持向量数据描述(Support vector data description,SVDD)最小类内体积,提出支持向量数据描述鉴别分析(Support vector data description discriminant analysis,SVDDDA)。SVDDDA构造两大小同心超球,小超球包含正类样本,大超球排除负类样本,最大化两超球间隔,同时压缩正负类所处特征空间体积,利用样本距超球心距离定义了投影坐标。SVDDDA不仅能够获取类间鉴别信息,还能够获取类内散布信息。最后,通过人脸表情识别试验验证了该算法的有效性。

支持向量鉴别分析及在人脸表情识别中的应用

模式识别一般首先要对数据进行降维,PCA和LDA及其对应的核化算法是其中应用广泛的方法,但这些算法的应用前提是假设样本数据为高斯分布,在少样本训练时它们的推广性能有很大局限.本文提出了一种基于支持向量机的鉴别分析算法,该算法首先寻找有限样本情况下最优分类面,以其法线方向为投影轴对数据进行投影降维,在多类情况下提供了极其丰富的方案选择投影轴.该算法体现了支持向量机的内在优良推广性能,克服了PCA和LDA等算法的局限性.本文将所提算法应用于人脸表情特征提取,并与PCA、LDA、KPCA、GDA等算法进行了比较,结果表明该算法的有效性.

基于主元分析的支持向量数据描述机械故障诊断

针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法——支持向量数据描述法(SVDD)。这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态。试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试。试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力。

基于支持向量数据描述和不确定性推理的单类隐写分析算法

单类隐写分析较传统的二类隐写分析有更好的"盲"检测特性和更强的通用性。针对单类隐写分析可靠性较低的问题,将不确定性推理理论应用于隐写分析中降低不确定性因素对单类隐写分析可靠性的影响,提出了一种基于支持数据描述和不确定性推理的单类通用隐写分析算法。实验表明,算法具有较好的可靠性、鲁棒性、通用性。

基于支持向量域描述的铁路绝缘子污秽度异常检测分析

为实现对铁路绝缘子污秽度的在线检测,提出一种基于支持向量数据描述和图像信息的污秽度异常检测方法。以人工涂污实验获得的绝缘子图像为基础,通过最大类间方差法分割图像得到绝缘子的盘面区域,计算颜色及纹理空间的特征,并利用核主元分析方法对特征向量进行融合与降维,最后通过支持向量数据描述方法实现污秽度的异常检测。结果表明,该方法可有效降低绝缘子污秽度的异常检测过程中的漏警率和虚警率,满足实际工作需求。

基于低场核磁弛豫特性的油茶籽油支持向量机掺伪鉴别模型的建立与评价

油茶籽油商业价值高,有必要开发快速准确的油茶籽油掺伪鉴别方法。本实验研究低场核磁共振(low-field nuclear magnetic resonance,LF-NMR)弛豫特性结合支持向量机(support vector machine,SVM)鉴别油茶籽油掺伪的可行性。在比较了油茶籽油、3种其他种类的正常/氧化的食用油及多种二元掺兑油样的LF-NMR弛豫特性的基础上进行主成分分析,设计了具有二叉树结构的SVM多分类器,采用ReliefF算法进行特征筛选,建立并验证了油茶籽油掺伪的SVM鉴别模型。研究表明,油脂种类、氧化程度及掺兑比例均会影响油样的LF-NMR弛豫特性。当特征数为9时,SVM多分类模型性能最佳,准确率可达90.77%,对油茶籽油、掺兑类型及比例的平均召回率为90.87%、精确率为90.83%、F1分数为0.90。这表明基于LF-NMR弛豫特性的SVM模型可用于油茶籽油的掺伪鉴别。

基于Fisher鉴别分析的支持向量机训练样本缩减策略

提出一种用于支持向量机训练样本集的缩减策略。该策略运用Fisher鉴别分析方法快速地提取潜在的支持向量,并构成用于SVM的新的训练样本集。仿真实验表明,该算法能在保证不降低分类精度的前提下,对较大规模的样本进行有效的缩减,提高运算效率。

基于多参数联合分析和支持向量数据描述(SVDD)的滚动轴承状态评估

综合了滚动轴承振动信号的峭度、有效值、峰值三个参数,并用支持向量数据描述(SVDD)技术对振动信号进行联合多参数分析,对滚动轴承的运行状态进行评估。实验数据表明,此方法能够有效地判决滚动轴承是否异常,并能够度量异常程度。

采用傅里叶描述子和支持向量机的服装款式识别方法

为解决当前服装款式识别领域中,服装轮廓特征提取技术较复杂,其分类方法的效率低、适应性差等问题,提出一种新型的服装款式的识别方法。首先创建了一个服装图像样本库,并从这些服装图像中提取服装轮廓,然后使用傅里叶描述子描述服装的轮廓特征,以多分类支持向量机进行分类。结果表明,该方法能够准确提取服装轮廓,傅里叶描述子的识别效果优于Hu不变矩和融合特征(Hu不变矩和傅里叶描述子);对傅里叶描述子进行主成分分析不能提高识别准确率;支持向量机的分类效果优于极端学习机;该方法能够达到95%以上的识别率,尤其对轮廓特征明显的款式有更好的识别率。

基于超球体多类支持向量数据描述的医学图像分类新方法

针对乳腺x光医学图像多分类问题中训练速度比较慢的问题，提出超球体多分类支持向量数据描述（HSMC—SVDD）分类算法，即把超球体单分类支持向量数据描述直接扩展到超球体多分类支持向量数据描述。通过对乳腺x光图像提取灰度共生矩阵特征；然后用核主成分分析（KPCA）对数据进行降维；最后用超球体多分类支持向量数据描述分类器进行分类。由于每一类样本只参与构造一个超球体的训练，因此训练速度明显提高。实验结果表明，这种超球体多分类支持向量数据描述分类器的平均训练时间为21．369S，训练时间比Wei等（WEILY，YANGYY．NISHIKAWARM．el al．Astudyonseveralmachine．1earningmethodsforclassificationofmalignantandbenignclusteredmicro—calcifications．IEEETransactionsonMedicalImaging，2005，24（3）：371—380）提出的组合分类器（平均训练时间40．2S）减少了10～20S，分类精度最高达76．6929％，适合解决类别数较多的分类问题。

一种改进支持向量域数据描述方法及其应用

针对支持向量域数据描述中的核参数选择及其决策边界规整问题,提出一种新的改进算法.该算法根据支持向量域数据描述本身的特点,利用非高斯性来测量核空间样本接近球形区域分布的程度,并根据此测量结果来优化核参数.当核参数选定之后,核空间样本可能存在分布不均匀的现象,对此,该算法应用核主元分析来进行规整,即通过尺度变换来调整各主轴的长度,以获得一个更合理的球形分界面.最后通过标准数据集和TEP故障诊断仿真以验证该算法,仿真实验结果表明了该算法的有效性.

基于支持向量数据描述的无标签数据多类分类

为解决支持向量机(SVM)在处理无标签数据多类分类上的难题,提出了一种基于支持向量数据描述(SVDD)的无标签数据多类分类算法.该方法只需要建立一个分类模型就可以实现多类聚类分类.首先采用主成分分析作数据预处理,提取输入数据的统计特征值,得到主成分特征指标输入到SVDD分类器进行多类聚类分类.以珠三角地区物流中心城市分类评价为研究对象,实证结果表明,采用主成分分析降低了数据维度,有效浓缩了评估信息,SVDD分类器很好地区分了各中心城市,实现了多类分类的目的.

基于支持向量机的新鲜与解冻许氏平鲉(Sebastes schlegeli)近红外光谱鉴别技术

本研究建立了一种近红外光谱技术,用于鉴别鱼类是否经过解冻处理。首先测定了120个样品的近红外光谱,通过主成分分析对原始光谱数据进行降维处理,再结合支持向量机建模进行分类鉴别。对所有建模样品的主成分1和2按得分值绘制得分图,进行分析聚类,并将前10个主成分的得分值作为支持向量机的输入,优化惩罚参数c和核函数参数g,对90个样本训练;用未知的30个样本进行判别验证,建立鉴别鲜、冻许氏平鲉的支持向量机分类模型,预测准确率达100%。研究表明,近红外光谱技术结合主成分分析和支持向量机可以作为一种简便、快速、准确的方法用于判断鱼类是否经过解冻处理。

基于得分矩阵和支持向量数据描述(SM-SVDD)的过程监测

针对复杂工业过程中的非线性和高斯信息问题,提出了一种基于SM-SVDD(score matrix-support vector data description)的过程监测方法。SVDD模型不受线性和高斯假设的限制,克服了传统PCA统计监测方法假设过程满足线性和高斯分布的缺陷。首先,应用PCA算法对过程数据进行分解,提取出得分矩阵信息。然后,采用SVDD算法对得分矩阵建立基于距离的统计量并构建其相应的统计限。通过对Tennessee Eastman(TE)过程的仿真研究,验证了提出的故障监测算法的可行性和有效性,并提高了故障的监测效果。

优化局部鉴别的领域相关支持向量机

利用数据集几何结构鉴别信息、未标记数据集等隐含先验信息是提高模式分类器性能的有效方法.实际数据集不仅具有多模态、含噪、高维等特性,而且训练数据集和测试数据集分布存在差异的现象,降低了支持向量机(Support vector machine,SVM)的性能.基于迁移学习、局部Fisher鉴别分析等方法,提出一种优化局部鉴别领域相关支持向量机算法.该方法提出一种基于维数约简的自适应距离度量学习方法,消除数据噪声以及冗余特征,更好地描述数据局部几何特性;通过把局部Fisher鉴别信息嵌入到SVM,提高了算法对多模态、不可分数据集的分类性能;把源数据集与目标数据集分布差异信息引入SVM目标函数中,解决了因训练数据与目标数据数量差别过大而导致传统SVM性能下降的问题.基于最小二乘SVM原理和ε-dragging技术把本文方法扩展到多分类问题,保证算法的泛化性能,降低多分类器训练计算量.仿真结果表示,本文方法具有良好的模式分类性能.

基于支持向量数据描述的P2P流量识别

借鉴聚类思想引入基于支持向量数据描述(SVDD)的原理,建立P2P流量识别模型。该模型首先用主成分分析法(PCA)对训练集降维,然后用SVDD方法寻找包含大部分样本最小超球,保留各自支持向量样本点作为识别模型;然后计算测试样本距各球心距离,距离近者为其所属类别。该模型简单,适合P2P流量识别环境,克服了现有基于机器学习的流量识别方法在多类分类中模型复杂、数据不平衡等缺点。实验结果表明,该模型具有较高的分类精度和可靠性。

最大散度差和大间距线性投影与支持向量机

首先对 Fisher 鉴别准则作了必要的修正，并基于新的鉴别准则设计了最大散度差分类器；然后探讨了当参数 C 趋向无穷大时，最大散度差分类器的极限情况，得到了大间距线性投影分类器；最后通过分析说明，大间距线性投影分类器实际上是在模式样本线性可分的条件下，线性支持向量机的一种特殊情况．在 ORL 和 NUST603人脸库上的测试结果表明，最大散度差分类器和大间距线性投影分类器可以与线性支持向量机、不相关线性鉴别分析相媲美，优于 Foley-Sammon 鉴别分析方法．

一种基于支持向量机的三维物体识别方法

提出从三维物体的二维图像中提取仿射不变傅氏描述子、色彩矩及纹理特征,组成一个25维的特征向量,送入支持向量机训练并用于三维物体识别。算法利用了仿射不变傅氏描述子在物体发生仿射形变时具有不变性,利用色彩矩和纹理特征区分形状相似但有不同颜色及纹理的物体,并引入支持向量机作为分类器。基于三维物体图像数据库COIL-100测试了算法的识别性能,当每个物体训练样本图像数量为36个(视角间隔10°)时达到了100%的识别率,进一步减少训练视角数量也达到较满意的识别性能。

带鉴别分析的多视角SAR图像联合决策及目标识别

提出多视角SAR图像联合决策的目标识别方法。多视角SAR图像对于描述目标具有互补性,因此可以为目标识别提供更丰富的鉴别信息。考虑到参与融合的部分视角可能对最终决策融合的贡献较弱。本文在多视角SAR图像的决策融合中引入鉴别分析。对于单个视角的SAR图像,首先基于支持向量机分类器进行分类,根据输出的决策值定义当前视角的可靠度。然后,采用门限判决的方式选取可靠性较强的视角,并基于贝叶斯决策融合对选取视角的分类结果进行联合决策从而判定目标类别。基于MSTAR数据集进行目标识别实验验证提出方法的有效性。