多分类支持向量机的算法研究

支持向量机是一种新的机器学习方法,是在统计学习理论基础上发展起来的。经典的支持向量机算法主要是针对两分类问题,但是在实际生活中经常需要求解多分类问题,这就需要将支持向量机的算法推广到求解多分类问题。通过阐述支持向量机模型及其算法的基本原理,对多分类支持向量机几种算法进行分析,系统地比较了各种算法的性能,探讨了多分类支持向量机算法的进一步研究方向。     

基于支持向量机的多层分类入侵检测系统研究

概述了入侵检测技术和入侵检测系统,研究了支持向量机的线性和非线性分类算法.在此基础上创建了基于支持向量机的多层分类入侵检测系统模型,然后通过计算机仿真实验进行验证测试.     

基于改进支持向量机的行为分类研究

针对智能监控中行人行为难于识别的问题,提出了一种基于改进支持向量机的行人行为分类的解决方法.针对背景建模和前景提取精确度的难题,把视频中有活动的部分表示成一组时空兴趣点;针对行动方式具有无固定方式和模糊特点的问题,先采用模糊聚类求每类行为样本聚类中心,再加入决策树思想,构建一种支持向量机决策树多值分离器进行行为分类.在国际上通用行为KTH数据库进行了实验,获得较高的识别率.     

基于Rocchio方法和k均值聚类的支持向量机文本分类方法

传统的基于支持向量机的文本分类器需要大量的人工标注的正类训练文档和负类训练文档。当前流行的文档标注库中,文档通常仅仅是划入不同的类别。为了解决在负类训练数据缺乏的情况下建立文本分类器的问题,提出了一种高效的方法,它结合了Rocchio方法和K均值聚类算法来获取充足的负类训练数据。     

基于支持向量机的栗属树种分类研究

形状特征是物体识别的重要依据。同时,分类算法的选择也将对识别的性能造成很大影响。围绕上述两个问题,以栗属树种的果实图像为例,在准确分割出目标图像的基础上,分别应用不变矩和边界矩提取其形状特征值,并使用支持向量机算法对栗属树种果实图像进行分类。实验结果表明:基于支持向量机的栗属树种果实图像分类识别准确率可达到87.5%,识别的结果较为理想。     

基于支持向量机的图像情感分类

基于颜色对人类情感的影响,采用支持向量机作为分类算法完成天气图像的情感分类。同时,为了提高分类的准确率,采用了全局颜色直方图和局部颜色特征相结合的策略。实验表明,达到了较理想的分类效果。     

单分类支持向量机在样本数目失衡分类问题中的应用

支持向量机(SVM)是统计学习理论最为成功的实现。支持向量机适用于两类样本的分类问题,面对正负样本数目失衡的情况,加权的方法虽然能有效改变分类器对数目小的样本类的预测偏置问题,但往往是以牺牲数目较大样本类的预测精度为前提。单分类支持向量机(One-SVM)只用某一类样本来训练分类器,可以有效避免预测偏置问题的出现。本文将单分类支持向量机(One-classSVM)用于UCI数据库的灯盏花分类研究,结果显示,单分类支持向量机在处理样本数目失衡的模式识别问题中,具有良好的泛化能力,预测精度特异性达到95.45%,同时单分类支持向量机只用一类样本训练分类器,在算法的时间复杂度上也具有优势。     

基于Cuboids特征的多类超球面支持向量机动作识别研究

基于超球面支持向量机,利用多类超球面支持向量机结合Cuboids时空兴趣点进行动作识别,在KTH、Weizmann两个数据库上进行仿真实验,取得了满意的效果。     

基于分类树和支持向量机的个人信用评估方法

通过对分类树和支持向量机这两种方法在个人信用评估领域的适用性分析,提出了一种将分类树和支持向量机结合起来处理个人信用评估的新方法．用该方法处理含有混合数据的个人信用评估实例,结果表明,该方法有效地提高了整个模型的训练精度和测试精度．     

加权支持向量机分类算法及应用

加权支持向量机分类算法是对类别差异造成的影响进行相应补偿的一种支持向量机算法，目的是提高样本中小类别的分类精度．我们通过用支持向量机和加权支持向量机算法相比较，加权支持向量机可提高样本中小类别的分类精度，这对于某些需要重点关注的小类别精度的分类有重要的现实意义．     

基于支持向量机的数据挖掘技术

随着数据库技术的迅速发展以及数据库管理系统的广泛应用,人们积累的数据越来越多.激增的数据背后隐藏着许多重要的信息,人们希望能够对其进行更高层次的分析,以便更好地利用这些数据.将目前先进的机器学习技术支持向量机,与数据挖掘结合起来,提出了一个改进的支持向量机训练算法,进行了支持向量机自动分类的模拟试验.试验结果显示,新算法的训练速度明显提高,并获得了比较理想的分类结果.     

C-支持向量机及其改进

支持向量机是19世纪90年代由美国贝尔实验室的Cortes和Vapnik首先提出来的一种新算法.介绍C-支持向量机,并在此基础上,构建其改进模型,目的是给出易于求解的几类新算法.     

多类SVM分类算法的研究

支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题.文中分析了SVM基础理论并总结了目前存在的基于支持向量机的主要分类方法,包括一对多方法、一对一方法、决策有向无环图方法、基于二叉树的多类分类方法和其它方法,并对各自的优缺点及性能做了比较.     

基于支持向量机的表情识别研究

文章介绍了一种根据图像序列对面部表情进行实时识别的方法。使用Lucas－Kanade光流分析算法对面部标定25个特征点进行跟踪,来得到每个面部表情序列特征点的特征位移。使用一种适合于表情分类的支持向量机多分类方法对实时的表情序列进行分类,实验证明可得到理想的结果。     

改进偏二叉树多类SVM的文本分类

在文本分类过程中,为解决传统支持向量机（SVM）多类分类的不可分区域问题及提高分类性能,提出了一种改进的偏二叉树多类SVM算法。算法依据根据样本的分布情况计算训练集文本特征参数的信息熵,并将熵值结合欧式距离公式以确定各类文本间的相似性测度;以相似性测度作为偏二叉树结构的分类走向,对训练集进行学习,构建各个二类子SVM分类器。实验结果表明,该算法具有较高的分类性能,能更好地解决实际文本分类过程中的问题。     

基于在线单类支持向量机的自适应语音活动检测

针对非平稳噪声环境下的语音活动检测问题,提出了基于在线单类SVM的自适应语音活动检测算法。该算法采用单类SVM对多种特征信息进行在线学习与综合,为非平稳背景噪声建模,并采用双层决策机制,能有效提高语音活动检测的稳健性。在语音识别系统中的实验结果表明,算法在多种噪声环境和信噪比条件下有效,并明显提高了在非平稳噪声环境下的识别率。     

管理类研究生支持向量机预测决策实验教学研究

提升研究生的数据分析能力是培养研究生创新能力的重要方面。管理类研究生的分析能力中很重要的一方面就是分类和非线性预测与决策问题的解决。本文以此为目的,研究了管理类研究生支持向量机预测与决策实验教学的设计、实验课题的选择,并讨论了存在的问题和对策。     

基于支持向量机的铁谱磨粒自动识别

为了实现支持向量机对磨损磨粒的自动识别,首先对彩色磨粒图像进行图像处理,运用 K －均值聚类、区域生长法和数学形态学将磨粒成功地从图像中分割出来;其次根据各类磨粒形貌特征确定磨粒的形状尺寸、纹理特征和颜色特征参数,并采用相应的方法提取这三方面的参数;由于支持向量机参数的选取对其分类效果影响很大,所以采用遗传算法对其参数做进一步的优化;最后以提取的特征参数为基础,运用优化的支持向量机成功地识别了严重滑动磨粒、球形磨粒、切削磨粒、疲劳磨粒和红色氧化物五类特征磨粒,其识别准确率达90％。结果表明该方法切实可行。