基于一种新的核聚类方法生成RBF核的支持向量机

为弥补具有径向基函数(radial basis function, RBF)核的支持向量机(support vector machine, SVM)的不足,即如何获得合适的RBF核并且包含更多的数据信息,提出一个关于核聚类的有效方法。该方法通过关于核数目、中心、宽度的一些公式来生成核。这个生成方法可以容易、合理、优化地获得核。在美国邮政手写数字数据集(记为USPS)和字母识别数据集(记为Letter)上的试验可以验证,具有这些新生成的RBF核的SVM拥有更少更合理的核以及更高的分类性能。通过这个新提出的方法,可以处理更多的大规模分类问题。     

基于核聚类的K-均值聚类（英文）

为处理线性不可分、结构复杂的数据集,提出基于核聚类的K-均值聚类(Kernel Clustering-based K-means Clustering,KCKC).该方法先在原始空间中对模式进行聚类,再由径向基函数(Radial Basis Function,RBF)核把它们映射到核空间,从而保持大部分模式之间的关系.把提出的方法应用到基于RBF的神经网络(RBF-based Neural Network,RBFNN)、基于RBF的支持向量机(RBF-based Support Vector Machine,RBFSVM)和核最近邻分类器(Kernel Nearest Neighbor Classifier,KNNC)中,结果表明本文提出的算法可以生成更有效的核,节省在核空间中的核生成时间,避免核数目设置的敏感性,并提高分类性能.     

基于Universum学习的核聚类方法

为解决原始核聚类(Kernel Clustering, KC)中模式信息不足、聚类结果不佳的缺点,以KC为基础,利用Universum学习带来的优势,提出基于Universum学习的核聚类(Universum learning based Kernel Clustering, UKC)方法.首先利用Universum学习生成相应的Universum模式,再利用KC算法把数据集分割成多个簇,最后利用每个簇中所包含的Universum模式和训练模式来更新该簇,从而使得这些簇更加合理.实验表明,该算法可以更好地改善聚类效果和分类器的分类性能、泛化能力和计算效率.虽然该方法的步骤比KC多,但是其较好的聚类性能可以帮助人们处理分类问题.     

基于动态K均值聚类算法的SAR图像分割

针对SAR图像的分割问题,对K均值聚类算法进行研究.分析动态K均值聚类算法,用聚类样本数的正比函数对该聚类适应度函数进行平均,改进适应度函数的计算.毫米波SAR图像分割实验结果表明,对于城区建筑及路、桥场景的分割,改进后的动态K均值聚类算法和自适应动态K均值聚类算法的分割质量与改进前相同,但是分割时间有一定的减少,改进适应度函数后分割效率得到了提高.     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。     

基于SVM的岸桥起升电动机工作状态分类

为解决岸桥起升电动机的状态识别和实时监测问题,分析起升电动机的大量样本集,提出基于标准差的模糊C均值(standard deviation-based fuzzy C-means,S-FCM)聚类算法对起升电动机的状态进行聚类分析,并构建两种SVM模型。实验结果表明:起升电动机振动烈度可以聚类为4类。对两种SVM模型进行对比和验证,选出最理想的实时监测模型。该方法可以为设备维护保养提供依据并且可以实时在线监测岸桥起升电动机的工作状态。     

基于EMD和Hilbert变换的脑磁信号特征提取和分类

为研究通过脑机接口(Brain-Computer Interface,BCI)处理非线性、非稳定性信号问题,针对基于脑磁信号(magnetoencephalography,MEG)的BCI,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和Hilbert变换的MEG特征提取和分类方法.该方法首先对MEG数据进行预处理;其次用EMD和Hilbert变换方法提取特征向量;然后用主成分分析法对提取到的特征向量进行降维处理;最后把处理过的特征向量作为支持向量机(Support Vector Machine,SVM)的一个输入向量实现MEG的分类.使用该方法对第4届国际BCI竞赛提供的MEG数据进行分类,实验结果表明可以获得较高的分类准确率.     

基于自适应K均值聚类和霍夫变换的船舶干舷视觉检测

针对内河船舶监管过程中对船舶干舷的测量还需人工巡航,增加了海事部门管理成本问题,提出一种不借助船舶水尺标志检测船舶干舷的方法。对采集的图像进行中值滤波预处理,去除孤立点、降低噪声敏感性;考虑图像颜色特性,应用自适应K均值聚类算法识别船舶区域;联合Canny边缘检测和霍夫直线检测的方法,标记船舶吃水线和甲板边线,并利用数学形态学方法提高检测准确性;基于标定相机和双目测距原理建立图像坐标与世界坐标转换关系,找到甲板中间位置,取其与水面的距离作为船舶实际干舷值。用相机拍摄内河船舶进行检测,结果表明,该方法可以对内河船舶的吃水线和船舷线进行检测并计算干舷值,用于判断船舶是否超载并及时发出预警,满足海事部门的监管需求。     

一种基于谱聚类算法的高光谱遥感图像分类方法

结合K-means算法和谱聚类方法的优点,提出一种新的高光谱图像聚类方法。该方法在对高光谱图像数据进行特征降维的基础上,采用K-means算法对图像进行粗聚类处理,然后采用谱聚类方法对粗聚类结果进行较高精度的聚类。与K-means聚类算法相比,该方法有效提高了高光谱图像聚类的分类精度。对模拟数据和真实的高光谱数据的对比实验表明,相对于K-means和谱聚类方法,该方法具有良好的聚类性能。     

基于类重叠度欠采样的不平衡模糊多类支持向量机

传统的欠采样方法容易丢失重要的样本信息,且其实验结果的稳定性较差。针对上述问题,提出一种基于类重叠度欠采样的不平衡数据模糊多类支持向量机算法。该算法首先采用LOF局部离群点因子和箱线图的方法清洗训练数据集中的噪声样本,然后根据类重叠度抽取对分类起关键作用的支持向量,并且将代表每个样本点重要程度的类重叠度作为隶属度值,构造模糊多类支持向量机。实验结果表明,该算法克服了随机欠采样的支持向量机容易丢失重要样本信息和实验结果不稳定的缺点,且很好地提升了支持向量机在不平衡且含噪声的数据集上的分类精度,并保持较高的计算效率。     

基于智能人形识别的港口无人区监控系统关键技术

为改善以人工为主的传统监控系统,在天津港煤码头无人区运用智能视频监控技术进行智能人形识别监控研究.该技术利用优化的方向梯度直方图(Histogram of Oriented Gradient,HOG)算法快速对人体轮廓进行描述;结合基于港口实际场景训练得到的支持向量机分类器,标定出图像中有人的区域.在天津港煤码头无人区的现场实验表明,该技术对一幅320×240像素的图像的检测时间小于200 ms,满足港口监控实时性的要求.对具有复杂背景的监控区域,该技术能够高效地进行人形目标的匹配与识别,从而使安全得到更有效的保障.     

一种高精度的短期潮汐预报模型

为提高潮汐预报的精度,提出一种基于支持向量机(Support Vector Machine,SVM)的模块化潮汐实时预报模型. 将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮,分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报, 结合两种方法的输出构造最终的潮汐预报结果. 在对非天文潮的预测中,将SVM与灰色模型相结合,并利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVM的参数进行优化以提高预报精度. 利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度.