SVM-KNN分类器——一种提高SVM分类精度的新方法

本文提出了一种将支持向量机分类和最近邻分类相结合的方法 ,形成了一种新的分类器 .首先对支持向量机进行分析可以看出它作为分类器实际相当于每类只选一个代表点的最近邻分类器 ,同时在对支持向量机分类时出错样本点的分布进行研究的基础上 ,在分类阶段计算待识别样本和最优分类超平面的距离 ,如果距离差大于给定阈值直接应用支持向量机分类 ,否则代入以每类的所有的支持向量作为代表点的K近邻分类 .数值实验证明了使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率 。

基于曲波纹理分析和SVM-KNN分类的假指纹检测算法

假指纹攻击作为破解指纹识别的一种简单实用的方式,被某些不法分子非法使用。目前假指纹检测的主流方法是纹理分析,但是单纯的纹理分析不包含对因假指纹材质与人体皮肤有异而产生的噪声分析。提出一种利用曲波系数特征及曲波重构图像纹理特征进行SVM-KNN分类的假指纹检测算法。先对指纹图像进行曲波变换,提取各尺度各方向域的系数特征,重构指纹图像并提取一阶统计量、灰度共生矩阵(GLCM)和马尔科夫随机场(MRF)等纹理特征与系数特征组成特征向量,然后通过SVM进行训练,引入SVM-KNN分类对假指纹进行检测。在第二届全球假指纹检测竞赛(LivDet2011)官方数据库上的测试结果表明,该算法对假指纹检测有很好的效果。

基于SVM-KNN的降雨条件下短时公交客流预测

为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型。分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响。进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVMKNN的短时公交客流预测模型。具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流。通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性。结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%。

基于修正SVM-KNN组合算法的汉语专有名词自动抽取

专有名词的自动抽取是文本挖掘、信息检索和机器翻译等领域的关键技术。本文研究了组合SVM和KNN两种分类器进行汉语专有名词自动抽取的方法。对样本在空间的不同分布使用不同的分类方法,当测试样本与SVM最优超平面的距离大于给定的阈值时使用SVM分类,否则使用KNN;在实际训练语料中,常常是负类样本数远多于正类样本数,而传统KNN方法对不平衡训练集存在敏感性,所以提出了用归一化的思想对传统的KNN方法进行修正。实验表明,用SVM与修正的KNN组合算法进行汉语专有名词抽取比单一的SVM方法以及原始的SVM-KNN方法更具优越性,而且这种方法可以推广到其他非平衡分布样本的分类问题。

改进SVM-KNN的不平衡数据分类

针对支持向量机(SVM)在超平面附近进行不平衡数据(imbalanced datasets)分类的不准确性,提出了一种改进SVM-KNN算法,该算法在分类阶段计算测试样本与最优超平面的距离,如果距离差大于给定阈值可直接应用支持向量机分类;如果距离差小于给定阈值,则将所有支持向量都作为测试样本的近邻样本,进行KNN分类。通过对UCI数据集的大量实验表明,该算法在少数类样本的识别率和分类器的整体性能上有明显改善。

基于经验模态分解的SVM-KNN高光谱图像分类方法

为了提高高光谱图像分类的分类精度,考虑在已知分类器SVM-KNN的基础上,结合经验模态分解,提出了一种EMD-SVM-KNN的新的分类方法,并将其应用到AVIRIS数据92AV3C,仿真结果表明该算法不仅提高了高光谱图像分类精度,而且可减少支持向量数目,以提高高光谱图像分类速度。

基于SVM-KNN茶叶图像纹理分类

机采茶鲜叶的叶和芽混合,利用茶叶图像纹理特征对茶鲜叶进行分类,分类之后再加工有助于提高茶叶的质量和市场价值。支持向量机SVM是一种专门针对小样本、非线性、高维特征的经典分类算法,但对于茶叶这类自然图片在分界面附近的测试点容易出错。KNN是一种简单而经典的分类算法,核心在于向量间距离的计算,论文提出欧式距离和余弦相似度结合的方式作为KNN新的距离计算公式。改进的KNN与SVM结合起来,形成SVM-KNN算法应用于茶叶图像的纹理特征分类的研究中,并分析SVM-KNN的时间复杂度。对比实验表明,SVMKNN算法对茶叶图像纹理分类正确率有很大程度地提高,最高可达90%以上。

基于SVM-KNN的人体步态相位识别

本文对各种常用分类器进行优缺点分析,最后选择了基于阈值分割的SVM-KNN方法识别步态相位,并与SVM、KNN方法进行比较。

一种新的银行信用风险识别方法:SVM-KNN组合模型

科学、高效的信用风险模型是监管机构和银行进行风险管理的重要工具。本文根据SVM模型和KNN模型在处理分类问题中的优势以及二者之间的联系,提出了SVM-KNN组合模型,并以我国165家上市企业2017—2018年度的财务数据为样本,对我国商业银行信用风险进行了识别分析。实证结果表明:SVM-KNN组合模型在识别样本企业信用风险时,不仅可有效解决SVM模型和KNN模型的维度难题,而且相对于单独使用SVM模型和KNN模型,对商业银行信用风险的识别效果也得到了明显提升。最后,本文提出了加强授信准入管理、完善和健全我国银行征信系统和企业数据库系统、实现金融与科技的深度融合等相关建议。

非平衡语料下改进的SVM-KNN算法

结合SVM和KNN方法改进而成的SVM-KNN分类器,较SVM在准确度上有较大提高.但在处理非平衡语料时,性能反而不如SVM分类器.其基本原理如下:对距超平面较远的数据,SVM-KNN使用SVM进行分类,较近的用KNN分类器.因KNN分类器对包含较多数据的类有偏向性,使得SVM-KNN的分类性能大幅降低.本文就这一缺点提出了改进的方法:在KNN分类的部分,统计出每个类对应的支持向量的数目,加入以支持向量数目的权重进行惩罚,使得偏向性得以校正,F-measure值有较大提高.

基于SVM-KNN的文本分类算法及其分析

通过实验对SVM、KNN文本分类算法进行了深入探讨。基于KNN和SVM算法,提出了一种SVM-KNN算法。该算法结合KNN和SVM两种分类器,并通过分类预测概率的反馈和修正来提高分类器性能。在CWT100G中文网页分类测试系统中,对SVM-KNN算法的实际效果进行了测试和算法性能验证。

基于多分类SVM-KNN的实体关系抽取方法

实体关系抽取是信息抽取领域的重要研究课题之一。传统的实体关系抽取研究注重于从实体对出现的上下文中提取词法和语义等特征,然后利用分类器(如SVM)进行实体关系抽取,但该类方法忽略了分类器对实体抽取性能的影响。针对SVM分类器对超平面附近样本分类正确率低的问题,本文设计了一种基于双投票机制的SVM模糊样本选择方法。在此基础上,对确定区域样本直接使用SVM分类器进行分类,并利用KNN算法对模糊区域样本进行二次分类。在SemEval-2010评测任务提供的实体关系抽取数据上进行实验,实验结果表明该方法能较大提高实体关系抽取的性能。

SVM-KNN分类器在异常行为检测中的应用

提出了一种新的异常行为检测方法,将SVM算法和KNN算法结合,在对识别样本判别时,当其与最优分类面的距离大于给定阈值时,采用SVM分类算法,否则采用KNN算法,从而减少了SVM算法的错误率。实验结果表明,SVM-KNN算法对异常行为检测的准确率达到95.86%。

基于增量学习的SVM-KNN网络入侵检测方法

为满足入侵检测的实时性和准确性要求,通过结合支持向量机(SVM)和K最近邻(KNN)算法设计IL-SVM-KNN分类器,并采用平衡k维树作为数据结构提升执行速度.训练阶段应用增量学习思想并考虑知识库的扩展,分类阶段则利用SVM和KNN算法将待分类数据分成3种情况应用不同的分类策略.基于KDD CUP99和NSL-KDD数据集进行实验,结果表明,IL-SVM-KNN能够区分正常流量和异常流量并准确判断异常流量的攻击类型,其准确率较KNN算法和SVM算法有明显提升,判断攻击类型的准确性高于决策树、随机森林和XGBoost算法,并且较两层卷积神经网络消耗时间更少,资源消耗更低.

基于SVM-KNN算法的情绪脑电识别

情绪识别与日常生活的诸多领域都有很大联系.然而,通过单一算法难以获得较高的情绪识别准确率,为此,提出一种基于支持向量机(support vector machine,SVM)和K近邻(K-nearest neighbors,KNN)融合算法(SVMKNN)的情绪脑电识别模型.在情绪分类时,首先计算待识别样本与最优分类超平面的空间距离,若两者距离大于提前设定的阈值,选用SVM分类器对情绪样本分类,否则选用KNN分类器.最后在SEED情感数据集上进行实验测试,通过对比实验,得出SVM-KNN算法提高了情绪三分类的准确率.运用该模型可有效地对情绪类型进行识别,对于医疗护理方面获取表达障碍患者的情绪状态有积极意义.

SVM-KNN算法在机电职业学习者属性特征智能预测中的应用研究

现代社会环境下机电职业学习者特征与其他学科学习者特征存在着显著差别,为了对机电职业学习者属性特征进行智能预测,提出一种结合SVM与优化KNN的算法模型。该模型首先对传统KNN模型进行加权来应对处理数据时的不均衡问题;在此之后结合SVM算法和加权KNN算法各自的优点对机电职业学习者样本进行分类,即距离超平面分类较远距离的学习者样本选择SVM算法,较近距离的则采用加权KNN算法。实验结果表明,融合各自优点的SVM-KNN算法具有更高的数据分类准确率,对机电职业学习者的属性特征分类和预测具有较好的适用性。

基于PSO-BP的岩性识别方法研究

近些年来,数据分析、深度学习技术取得了长足的发展,并为社会带来了可观的收益。故利用深度学习手段进行岩性识别也成为了一个研究热点。岩性识别是录井解释的核心业务,准确而有效地预测储层性质对石油勘探工作有着重大意义。为解决传统岩性识别方法成本高、耗时长等缺点。论文利用松辽盆地中若干井的测井数据进行模型研究,提出了一种基于PSO-BP的岩性识别方法。通过对测井源数据进行数据预处理、构建网络识别模型、优化岩性识别模型、评价模型输出结果等步骤,实现基于PSO-BP岩性识别方法。经过反复试验,结果表明采用PSO-BP的岩性识别方法对岩性进行识别的平均准确率可达92.2%,为储层预测工作提供了可靠的支撑。

基于SVM-KNN算法的特色数据库分类体系初探

比较了SVM和KNN应用于特色数据库分类的优缺点,提出用SVM-KNN算法建立特色数据库分类模型。通过实验证明,该方法是目前解决特色数据库文本分类问题较好的办法。

基于关键点亲和场与支持向量机的人体姿态识别

针对传统动作姿态识别仍需物理数据采集设备或深度体感设备进行手工提取特征的问题,提出一种基于关键点亲和场与支持向量机的人体姿态识别方法。以关键点亲和场为核心进行关节点检测,获取各种姿态下的18个关节点坐标信息,使用标准化后的坐标数据对支持向量机模型加以训练,选择不同的高斯核函数进行对比。实现在没有人体深度信息和无穿戴设备的情况下,只使用普通RGB图片便可对人体姿态进行分类识别的效果。实验表明它在KTH数据集、Weizmann数据集中的识别效果良好;在自采集数据集中与带有传感器的方法相比,缩减操作步骤的同时准确率提高了7百分点。另外,还在保持关节点检测不变的情况下,使用随机森林、KNN算法进行姿态分类对比,实验结果证明该方法优于后两者。

基于KNN-SVM算法的温室番茄生长预测模型

为解决现有温室番茄生长模型预测准确率低的问题,依据番茄生理学的基本特点,以温室内的环境参数为模型变量,建立了温室番茄生长发育的非线性模型。该模型描述了温室内温度、湿度、土壤温度、土壤湿度等环境因子对番茄发育速度的影响,模型具有良好的解释能力和较高的精度。首先,将利用各类传感器对吉林省吉林市温室番茄生长的各类环境数据进行收集;然后,对番茄温室的实际数据进行处理,再利用KNN算法对缺失和异常数据进行补充,并进行相关性分析;最后,在处理完成的番茄作物生长数据的基础上,考虑番茄作物对温室环境的实时反馈,结合相关性利用SVM优化算法对2020—2021年的吉林市经开区温室番茄数据进行模拟,得到SVM、LDA、LR的准确率分别为0.904、0.885、0.865。结果表明,SVM可以更好地预测番茄的生长变化。温室番茄作物—环境互作模型的建立,为温室环境控制打下了良好基础。