PCA-VQ融合降维的SMO-SVM说话人识别研究

针对说话人语音原始梅尔频率倒谱系数(MFCC)特征参数维数较高造成的模型计算效率低以及不稳定的问题,基于序列最小优化(SMO)高效算法求解支持向量机(SVM)基本型的对偶问题,开展主成分分析-矢量量化(PCA-VQ)融合降维的SMO-SVM说话人识别算法研究。改进后的算法在MATLAB平台上仿真通过。仿真结果表明:通过PCA-VQ融合算法对MFCC特征参数进行优化降维后,SMO-SVM说话人识别模型的正确率提高3.77%,训练时间节省1.24 s,具有较好推广应用价值。

基于FSMO的SVM训练核的设计与实现

为了解决支持向量机(Support Vector Machine,SVM)训练的复杂性与实时性,本文提出基于单循环的快速序列最小优化算法(Fast Sequential Minimal Optimization,FSMO)来构建新的SVM训练模型.首先,针对传统序列最小优化算法(Sequential Minimal Optimization,SMO)中待优化乘子选择繁复问题,提出了轮询加随机的优选方法并设计了单循环迭代的FSMO训练架构,降低算法复杂度.其次,采用集中计算体系结构分模块设计了新的SVM训练IP核.并且将该SVM训练IP核移植到FPGA平台上进行了验证与分析.结果表明,相较于传统SMO的训练IP核,在训练准确率相似的情况下,基于FSMO的SVM训练IP核训练速度提升约39%,可节省约47%的硬件资源.

修整金刚笔磨损智能预测方法研究

在精密磨削加工过程中,为了使砂轮保持锐利程度及正确的几何形状,需要对砂轮及时修整。如何有效预测金刚笔修整磨损一直是磨削加工中的一个技术难题。根据金刚笔修整磨损机理分析,提出了基于声发射信号的串行优化算法支持向量机(SMO-SVM)金刚笔修整磨损预测方法,利用小波包算法对声发射信号特征信息进行提取,建立了将小波包提取的声发射信号特征量作为的输入SMO-SVM的金刚笔磨损预测模型;实验结果表明基于声发射信号的SMO-SVM模型对金刚笔磨损前后的预测准确性达到95.257 1%以上。

EMD-ISMO算法在电力负荷预测中的应用

电力负荷是受多种因素影响的复杂非线性系统,具有明显的周期波动性和趋势性。利用集平稳化和层次化处理能力于一体的经验模态分解(EMD)方法处理非线性非平稳信号的有效性,对电力负荷数据进行平稳化处理,分离出12组IMF数据,包含若干个不同频率的平稳分量,能更明显地看出原负荷序列的周期项、随机项和趋势项;结合对负荷数据具有很好预测能力的改进SMO算法(ISMO),对IMF数据进行分别预测和组合预测,提出了一种EMD-ISMO算法。实验结果表明,该方法无论在预测精度还是收敛速度上都比单纯的SMO算法有了很大改进,取得了很好的预测效果。

基于PSO优化的SMO算法研究及应用

顺序优化(SMO)是支持向量机(SVM)的一种有效训练算法,但SMO的参数选择问题是算法性能优劣的关键所在,只有选择了合适的参数才能使算法性能达到最优。因此,在详细介绍了SMO算法的基础上,着重研究了基于微粒群优化(PSO)的SMO算法的双层优化原理,并通过仿真进行了应用研究,将该方法的有效性进行了验证。实验结果表明,经过PSO优化的SMO算法与其他算法相比具有更高的准确性。

一种改进的SMO算法

In this paper we have pointed out an important source of inefficiency in SMO algorithm that is caused bythe operation with a single threshod value. We have suggested modifications of SMO algorithm that overcome theproblem by efficiently maintaining and updating two threshold parameters. Our experiments show that these modifi-cations speed up the SMO algorithm.

超球体单类支持向量机的SMO训练算法

由于One-class支持向量机能用于无监督学习,被广泛用于信息安全、图像识别等领域中。而超球体One-class支持向量机能生成一个合适的球体,将训练样本包含其中,故更适合于呈球形分布的样本学习。但由于超球体One-class支持向量机没有一种快速训练算法,使其在应用中受到限制。SMO算法成功地训练了标准SVM,其训练思想也可用于超球体One-class支持向量机的训练。本文提出了超球体One-class支持向量机的SMO训练算法,并对其空间和时间复杂度进行了分析。实验表明,这种算法能迅速、有效地训练超球体One-class支持向量机。

一种文本分类的在线SVM学习算法

本文提出了一种用于文本分类的RBF支持向量机在线学习算法。利用RBF核函数的局部性,该算法仅对新训练样本的某一大小邻域内且位于“可能带”中的训练样本集进行重新训练,以实现对现有SVM的更新。为高效的实现该邻域大小的自适应确定,使用ξa泛化错误估计在所有现有训练样本集上对当前SVM的泛化错误进行定性估计。同时引入泛化能力进化因子,使得结果SVM在分类效果上具有自动调整能力,并防止分类能力的退化。在TREC-5真实语料上的对比测试结果表明,该算法显著地加速了增量学习的过程而同时保证结果SVM的分类效果。

超球体多类支持向量机理论

目前的多类分类器大多是经二分类器组合而成的,存在训练速度较慢的问题,在分类类别多的时候,会遇到很大困难,超球体多类支持向量机将超球体单类支持向量机扩展到多类问题,由于每类样本只参与一个超球体支持向量机的训练,因此,这是一种直接多类分类器,训练效率明显提高.为了有效训练超球体多类支持向量机,利用SMO算法思想,提出了超球体支持向量机的快速训练算法.同时对超球体多类支持向量机的推广能力进行了理论上的估计.数值实验表明,在分类类别较多的情况,这种分类器的训练速度有很大提高,非常适合解决类别数较多的分类问题.超球体多类支持向量机为研究快速直接多类分类器提供了新的思路.

SMO算法的简化及其在非正定核条件下的应用

SMO算法是求解大型支持向量机(SVM)的有效算法.已有的算法都必须判定4个Lagrange乘子位于哪个象限,从而使算法的实现更为复杂.此外,现有算法都假定核矩阵是正定的或半正定的,因此使其应用受到了限制.考虑到传统算法的不足,提出了一种用于-εSVR的简化SMO算法,进而将其用于求解非正定核的-εSVR.与已有的算法不同,通过将-εSVR的原始规划问题进行展开并求解其KKT条件,提出的算法只需考虑2个Lagrange乘子,从而有效地简化了算法的实现,并能方便地应用于非正定核SVR的求解.采用一个常用于衡量预测误差的函数对算法进行了测试,实验表明,与-εSVR现有的SMO算法相比,在不增加空间复杂度和时间复杂度的前提下避免了大量繁琐的判别条件,简化了算法的实现,这就为不同的损失函数所对应的SVR提供了一个通用的SMO算法,从而有利于SVR的推广应用.另外,提出的求解非正定核的ε-SVR的方法也为求解其他的非正定核SVR提供了一个思路.

最小二乘支持向量机及其在故障诊断中的应用

从支持向量机的有关理论出发,介绍了适用于LS-SVM的SMO算法,并用c#语言实现了基于SMO算法的故障诊断。

微博演化网络的负信息分类方法

针对Sina微博博文的转发关系,建立起用户转发博文之间的演化网络,从而利用SMO SVM(sequential minimal optimization support vector machine)分类算法对博文进行分类,筛选出恶意博文、垃圾广告、垃圾营销信息,使用户能够精确地屏蔽不想要的博文和博主。第一步基于微博转发关系的演化网络和SVM分类算法对整个Sina微博进行分类;第二步利用复杂网络等技术对经常发送恶意广告的博主进行标注,从而在网络中对他们进行屏蔽;最后找出垃圾信息的来源以及分辨出博主是不是恶意转发者,在宏观上能更好地遏制垃圾信息的传播。与用户从UCI数据集中实际反馈情况进行比较,实验结果表明,机器学习分类的实验结果吻合度达到89%。

基于边界矩和支持向量机的火焰识别算法

根据火焰的燃烧特性,结合火焰的空间形状特征和动态变化特征,设计了一种基于动态边界矩和支持向量机的火焰识别算法。利用相邻帧边界矩不变量的差值来描述火焰的动态特征,基于支持向量机对火焰和疑似火焰目标样本进行分类检测。实验表明,该算法具有较好的火焰目标识别性能、较低的虚警率和较强的抗干扰性能。

支持向量训练算法研究

支持向量机(support vector m ach ine,SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析。针对一些主要的SVM训练方法,比较了它们的优缺点并重点阐述了其中最有代表性的序贯最小优化(SMO)算法及其多种改进算法,最后指出了进一步研究和应用亟待解决的一些问题。

基于SVM的大样本集系统辨识与函数拟合仿真

支持向量机是一种优秀的学习方法,也是具有很好泛化性能的回归方法。但由于支持向量机算法实习复杂,效率低,严格限制了其应用,SMO算法的提出大大提高了支持向量机的学习效率。因此,借助SMO算法,便可以实现大样本集的非线性系统辨识和函数拟合。文中对回归问题的SMO算法作了详细介绍,并对其进行改进。然后研究了利用改进SMO算法的非线性系统辨识方法,给出了非线性系统的辨识的仿真结果,和一维二维函数的拟合仿真。并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性。

基于先验知识下支持向量机P-SVM的分类算法

支持向量机在分类算法原理中的顺次最小优化算法SMO一般比传统的块算法和固定工作样本集的算法具有更好的时间和空间复杂性,但是由于在实际应用领域中对样本的需求量很大,使得对样本的标记是应用中耗时耗力的工作.本文提出了基于先验知识下的支持向量机,通过引入先验信息量而减少所需样本的数量,同时给出了相应的P-SMO算法.分类应用背景利用中医证候数据,通过专家知识提供的证候知识规则,对训练样本集进行置信度的计算,然后使用P-SMO算法训练出P-SVM,实验结果表明分类效率有较大的提高.

支持向量机的人脸检测方法

提出了一种基于离散余弦变换(DCT)和支持向量机(SVM)相结合的人脸检测方法。采用DCT系数作为分类器输入,可以大大减少输入矢量维数,利用改进的SMO学习算法建立了一套基于SVM的人脸检测系统。

一种基于序贯最小优化改进的支持向量机空间有形小目标识别方法

提出了一种基于序贯最小优化改进的支持向量机空间有形小目标识别方法。首先陈述了空间有形目标识别的意义并分析了其特点,进而提出了一种基于预分类的两级分类识别策略。在此基础上重点针对空间有形小目标识别所具有的小样本学习问题的本质和特点,采用基于序贯最小优化(Sequential Minimal Optimization:SMO)改进的支持向量机解决训练问题,从而提高了训练的效率和精度。最后,通过10类空间有形小目标共1360个成像尺度不大于30×30像素的仿真样本进行仿真检验,结果表明本文所提出的识别方法的正确率达到了98%(训练样本数454,测试样本数906),完全可以满足实际应用需要,而且具有良好的实时性。

基于支持向量机的人眼检测

人眼检测是计算机人脸识别的重要部分。复杂环境下人眼定位容易受到光照以及人不同姿态的影响。为了解决复杂环境下的人眼定位问题,采用基于支持向量机的人眼检测算法,首先对复杂环境下采集的不同人的人眼样本进行灰度化均衡以及小波变换,将变换结果表示成向量形式,运用序贯最小优化算法进行训练,得到一组支持向量,然后遍历待检测人脸图利用支持向量所构成的分类器进行人眼初检,最后根据先验知识完成信息融合,最终标定人眼。实验结果表明,该算法对各种复杂环境下的含人眼图像有普遍的适应性和有效性。

基于SMO算法的SVM分类器在压缩机故障识别中应用

采用时频分析和支持向量机(SVM)相结合,提出一种压缩机故障识别新方法。首先利用Labview软件平台,对压缩机振动信号进行时频分析;然后提取出空气压缩机故障信号的特征向量,组成训练样本和测试样本;最后使用一对一方法构造成多元支持向量机分类器,利用序列最小优化(S M O)算法对故障样本进行训练,实现了压缩机的故障识别。实验测试表明,该分类器有较高故障诊断效率且性能良好,适合压缩机的故障识别。