对VFP数据库更加可靠的加密算法

当通过采用随机数生成密码时,密码无规律可寻,即使用户知道密码的生成算法,也很难破译.合法用户输入的密码可以通过解密算法被系统接受,用户可以根据使用要求改变密码,通过加密算法生成新的不可识别的密码存放到数据库中.     

对VFP数据库更加可靠的加密算法

当通过采用随机数生成密码时，密码无规律可寻，即使用户知道密码的生成算法，也很难破译，合法用户输入的密码可以通过解密算法被系统接受，用户可以根据使用要求改变密码，通过加密算法生成新的不可识别的密码存放到数据库中。     

基于鼠标键盘行为的身份认证

安全的身份认证是保证计算机及网络系统安全的基本前提,通过研究计算机输入行为特征,提出并实现基于鼠标键盘行为的身份认证系统。该系统运用优化的SVM算法分析用户信息,结合鼠标和键盘双指标复合认证。系统设计了友好的训练场景,明显缩短了训练和认证的行为数据采集时间。实验证明,双指标复合认证与单指标相比较而言,准确性有了较大提高,系统误识率和拒识率都有所降低。     

一种对fMRI数据分类的加权随机SVM集群算法

如何从小样本、高维度特性的功能磁共振成像（fMRI）数据中识别出内在的脑区活动模式,对理解人脑意义重大。随着模式识别技术和机器学习算法的发展,fMRI的分类研究也引起了人们的重视。提出一种对fMRI数据分类的加权随机SVM集群（WRSVMC）算法。该算法分为两步,首先通过随机选择样本和特征建立多个SVM,以构建集成分类器;然后在投票过程中,对每个SVM赋权重,以优化模型的集成性能。结合fMRI数据和图论特征,采用WRSVMC算法对轻度认知障碍（MCI）患者数据展开分类研究。结果表明,准确率最高可达87.67%。该方法能帮助医师对MCI患者进行辅助诊断。     

基于PSO与GA的SVM特征选择与参数优化算法

支持向量机（SVM）在处理大样本特征维数较多的数据集时,算法消耗时间长而且容易陷入局部最优解,选择不合适的SVM算法参数会影响SVM模型分类性能。为了提高SVM性能,提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。在UCI标准数据集上的实验表明,PGS算法能有效地找出合适的特征子集及SVM算法参数,提高收敛速度并能在较小的特征子集获得较高的分类准确率。     

基于改进HOG特征提取与SVM分类器输电线路金具识别

目的:针对识别输电线路金具的检测方法存在精度低、分类结果较差的问题,提出解决方案。方法:提出一种基于支持向量机(SVM)分类与改进HOG梯度方向直方图特征提取相结合的输电线路金具识别算法。对图像进行去噪预处理,提取特征信息,输入到SVM进行识别分类。将绝缘子规定为正样本,耐张线夹规定为负样本,选取500个样本进行试验。结果:准确率由未改进前的81%提升到96%。结论:所提出的算法可行、有效,为机器学习在输电线路金具识别中的应用提供一定的参考。     

基于特征提取的视频预处理方法

针对现有视频识别算法对不同帧中同一对象反复分类、反复识别问题,提出一种基于特征匹配的预处理算法。该算法将前一帧中已识别物体的图像特征与下一帧画面提取出的特征相比较,找出下一帧中已经被分类或识别过的物体,并将其剔除,达到压缩输入视频画面尺寸、提升视频处理效率的目的。为了验证算法的预处理效果,对两组道路图形进行实验,结果表明,该算法平均降低85%的画面尺寸,视频画面处理时间平均降低5%。     

基于多特征融合的甲状腺结节良恶性识别

鉴于甲状腺结节良恶性的判别十分依赖于有效特征的提取,提出基于DLBP与RLBP模型相结合的局部纹理特征提取算法,首先利用RLBP模型解决图像旋转不变问题,然后与DLBP模型相结合对RLBP模式特征进行选择与降维,再与纵横比、圆形度、紧致度等形状特征相结合并输入到SVM分类器中。为了进一步提高识别率,提出基于粒子群算法与网格搜索算法相结合的SVM参数优化算法。实验结果表明,该模型提取的特征用于分类识别时较上述各种模型及传统的旋转不变等价ULBP模型能获得更高的识别率,且提出的参数寻优算法相比于传统寻优算法效率更高。     

基于触控频率的用户身份识别方案

通过提取用户触控频率特征,和现有数字口令认证相结合,提出一种复合型用户身份认证方案。该方案记录了用户输入数字口令时的触控习惯,使用差别子空间生成触控特征向量,并以此作为密钥利用曼哈顿距离算法计算当前用户输入特征和密钥之间的差别,从而实现对用户身份的识别。实验证明该方案实现简单且FAR比较低。     

基于支持向量机的网络流量识别模型

针对网络流量识别问题,提出一种基于支持向量机（SVM）的网络流量识别模型。首先通过流量特征提取模块,提取适合在支持向量机中识别网络流量的6个主要特征。对数据进行清洗、预处理以及训练和学习,从而实现整个基于SVM的网络流量识别系统。实验结果表明,经过交叉检验选择参数后,再用支持向量机模型进行训练和学习,可以取得较好的分类效果。     

基于GAPSO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类准确率低的问题,提出一种利用遗传算法结合粒子群算法优化支持向量机分类器的故障诊断方法.实验通过提取滚动轴承不同故障状态下的振动信号,以转化成时域和频域组成的特征集为特征向量,利用粒子群生成二维粒子,即惩罚因子C、核函数参数G,并喂入支持向量机进行训练和交叉验证,取最优适应度对应的粒子,进而构建遗传粒...     

Support Vector Machine for mechanical faults classification

INTRODUCTION Support Vector Machine (SVM) is a relativelynew soft computing method based on statisticallearning theory presented by Vapnik (1995). In SVM,original input space is mapped into a high dimen-sional dot product space called feature space in whichthe optimal hyperplane is determined to maximize thegeneralization ability of the classifier. The optimalhyperplane is found by exploiting a branch ofmathematics, called optimization theory, and re-specting the insights provided by …     

Web multimedia information retrieval using improved Bayesian algorithm

INTRODUCTIONPeoplearebecomingmoreinterestednotonlyintextinformationbutalsoinmultimediainfor mationsuchasimage,audioandvideo .Nowmoreandmoreattentionisbeingpaidtocontent basedretrievalsystemsforwebusebecausetheyplayakeyroleinutilizinginformationavailableon…     

变尺度混沌优化支持向量机模型选择

1 Introduction Support vector machine (SVM) is a powerful ma-chine learning tool capable of representing non-linearrelationships and producing models that generalizeswell to unseen data .SVMhave been applied widelyinmany fields[1]such as hand-written character recogni-tion ,text categorization,computer vision,speechrec-ognition and gene classification,etc. Despite this , using an SVM requires a certainamount of model selection,i.e.,selection of the ac-tual kernel and its parameters .In rec…     

Web multimedia information retrieval using improved Bayesian algorithm

The main thrust of this paper is application of a novel data mining approach on the log of user's feedback to improve web multimedia information retrieval performance. A user space model was constructed based on data mining, and then integrated into the original information space model to improve the accuracy of the new information space model. It can remove clutter and irrelevant text information and help to eliminate mismatch between the page author's expression and the user's understanding and expectation. User space model was also utilized to discover the relationship between high-level and low-level features for assigning weight. The authors proposed improved Bayesian algorithm for data mining. Experiment proved that the authors' proposed algorithm was efficient. Project (No. 20020335020) supported by Research Fund for Doctoral Program, Ministry of Education of China     

基于特征提取的垃圾邮件检测

垃圾邮件处理作为一种典型的文本分类应用问题,受到高维数据的困扰。为提高垃圾邮件检测的效率和准确率,提出一种基于PLS特征提取和SVM的入侵检测算法,首先对原始垃圾邮件数据利用偏最小二乘算法降低维度,再采用遗传算法寻优转换特征子集,并通过支持向量机SVM进行分类。 Matlab仿真实验表明,本算法能有效降低数据维数,提高检测的准确率。     

一种融合LDA主题模型与LSTM网络的个性化推荐算法

为改善传统个性化推荐算法精准度不高的问题,使用评论数据作为数据集,先对评论数据作文本预处理和特征提取,然后使用LDA主题模型对文本特征数据建模,得到主题词分布,将其作为标签,同时使用LSTM网络作文本分类,通过计算得到好评率。最后把用户需求和标签利用潜在语义标引计算相似度,根据相似度和好评率大小向用户推荐结果。实验结果表明,该方法能够向用户推荐符合其兴趣的个性化需求信息,且准确率高于96%,证明了该推荐算法的有效性。     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

Fault diagnosis of valve clearance in diesel engine based on BP neural network and support vector machine

Based on wavelet packet transformation(WPT), genetic algorithm(GA), back propagation neural network(BPNN)and support vector machine(SVM), a fault diagnosis method of diesel engine valve clearance is presented. With power spectral density analysis, the characteristic frequency related to the engine running conditions can be extracted from vibration signals. The biggest singular values(BSV)of wavelet coefficients and root mean square (RMS)values of vibration in characteristic frequency sub-bands are extracted at the end of third level decomposition of vibration signals, and they are used as input vectors of BPNN or SVM. To avoid being trapped in local minima, GA is adopted. The normal and fault vibration signals measured in different valve clearance conditions are analyzed. BPNN, GA back propagation neural network (GA-BPNN), SVM and GA-SVM are applied to the training and testing for the extraction of different features, and the classification accuracies and training time are compared to determine the optimum fault classifier and feature selection. Experimental results demonstrate that the proposed features and classification algorithms give classification accuracy of 100%.     

一种深层过程神经网络及其在信号分类中的应用

针对时变信号小样本集建模分类问题,提出一种深层多尺度径向基过程神经网络（DLMS-RBFPNN）。该模型由时变信号输入层、多尺度径向基核变换层、全连接层和感知机分类器构成。兼顾时变信号的频谱特征和分布形态的多样性,基于径向基过程神经网络,通过将不同宽度参数的Gauss核函数进行线性叠加,构成多尺度核,完成不同尺度上对过程信号形态特征的提取、辨识和相似性度量。通过在径向基核函数层之上叠加全连接层和分类器,实现时变信号不同尺度特征的融合和分类。DLMS-RBFPNN具有较少的模型参数,适用于小样本集建模,在机制上可提高对时变信号过程细节特征和趋势特征的辨识及记忆能力。在分析DLMS-RBFPNN性质的基础上,建立一种基于动态聚类算法的核中心函数确定方法以及基于PSO的模型参数优化求解算法。以旋转机械基于示功图信号的故障诊断为例进行实验,结果验证了模型和算法的有效性。