支持矢量机

摘要： 针对道路交通多车牌识别问题,提出了一种快速鲁棒的多车牌检测识别方法,包括多车牌检测和车牌字符识别两部分:构造BP(Back-Propagation)神经网络模型用于颜色识别,结合图像形态学运算方法,筛选候选车牌目标,基于支持矢量机从候选车牌目标中判别真正的车牌目标;通过轮廓尺寸判断,并结合车牌尺寸特征,依次分割提取城市代码字符块、省份代码字符块及5位机动车编码字符块,最后基于BP神经网络识别字符块内容.基于上述原理,开发了鲁棒的多机动车车牌自动检测识别系统,并在真实场景中进行了实验测试,结果表明:1)车辆在正常速度行驶条件下,系统依然可以保证90％以上的车牌检测识别正确率;2)系统可实现同时多车牌检测识别;3)文中实验硬件配置下,系统单幅图像检测识别平均时间低于130 ms,处理频率约8 Hz.

摘要： 如今随着现代工业的不断发展,人类的生产生活活动每天都在产生大量废气,严重影响了这里生活环境中的空气质量.在浩繁空气污染物中,PM2.5是对人体健康危害非常大的一种污染物.现有的测量PM2.5测量手段有着无法实时测量、精确度不高、适用性不广等缺点,所以可以利用机器学习的方法通过空气中其他物质的浓度来对PM2.5的浓度等级进行预测.该项目通过对北京市数年来的空气成分数据进行数据挖掘,从而实现对于PM2.5等级的预测.在项目中,主要使用了三种算法,分别是决策树,支持矢量机(SVM)和K临邻算法(KNN),并且对比这三种算法的优劣性.实验结果表明,该系统能够有效地预测空气质量,对人们的日常生活具有重要意义.

摘要： 针对高校学业困难学生过程化管理的预警需求,通过学生的入学成绩、学期成绩、一卡通应用数据、早操考勤和学籍处理等状态数据,基于大数据处理思想,提出用核函数的模糊均值聚类(KFCM)改进支持向量机(SVM)数据决策算法,开展学生学业预警决策研究,为教师或学生个人及早采取有效干预措施提供技术支持.经仿真对比分析,本文改进算法相比传统SVM、BP神经网络、遗传算法优化支持向量机(GA-SVM)数据决策算法,在解决学生学业预警领域具有较大优势,有一定推广应用价值.

摘要： In order to solve the problem of the redundant training samples in dialect identification system, an approach for Chinese dialect identification fusing diversity measure is proposed. Firstly, the uncertain samples are chosen by SVM classifier, then according to the distribution of these samples, the uncertain samples with diversity are selected and the new training set including these distinctive samples is constructed after several iterations. Finally, SVM is reused to make the decision. Experimental results indicate that, compared with the traditional active method, the proposed approach effectively overcomes the redundancy of the samples and the number of manually annotated samples reduces 50%under the same condition of recognition accuracy.%为了解决方言辨识系统中训练样本冗余的问题,提出了一种融合多样性测度的汉语方言主动辨识方法.利用SVM分类器选取不确定性的样本.根据样本间分布情况的测度算法,选取出兼具多样性的训练样本,经过多次迭代将这些最具区别性的样本组成训练集.将此训练集重新输入到SVM进行分类辨识.实验结果表明,该方法能有效克服选取样本的冗余,与传统的主动学习方法相比,在同等识别率的情况下,人工标注样本的数量减少了50%.

摘要： 极化SAR地物分类作为极化SAR数据解译的关键环节,已成为遥感领域研究的一个新热点.在充分研究现有方法的基础上,给出了一种联合特征和SVM相结合的极化SAR图像分类方法.该方法基于目标分解理论提取极化SAR图像的多类散射特征,并结合具有上下文知识的纹理特征,构建联合特征矢量;利用提取样本区域像素的联合特征矢量训练SVM分类器;将未知数据输入训练好的分类器完成最终的分类.实测SAR图像数据的实验结果表明,算法能够充分利用极化SAR图像电磁散射特性及纹理特征的互补性,具有较好的分类性能.

摘要： 空中手写识别是一种新型的手写识别方式,有广泛的应用前景.它的数据来源于加速度传感器、陀螺仪和磁力传感器.其中陀螺仪和磁力传感器的数据是姿态相关的,而加速度传感器用于表达相对运动趋势,是手写信息的主要载体.由于加速度传感器的参考坐标系总是在变化,为了获得理想的空中手写识别率,必须要对原有的加速度进行姿态矫正.本文提出了一种通过磁通量和加速度确定姿态并使用基于角速度的等效旋转矢量三子样算法进行姿态补偿的姿态矫正算法(等效旋转矢量三子样算法).此算法将加速度归一到同一个标准坐标系下.实验以支持向量机(SVM)作为识别算法,比较不同姿态矫正算法对空中手写识别率的影响.实验结果表明与其它姿态矫正算法相比,使用本文提出的姿态矫正算法得到更高的识别率.

摘要： 针对主用户仿冒(Primary User Emulation,PUE)攻击用户非法占用主用户(PU)信道,导致PU无法继续使用原信道的问题,在辐射源的指纹特征基础上,通过辐射源识别进行PUE攻击检测.使用分形维数刻画通信信号码元包络的脉内起伏特征,将盒维数Db与信息维数Dl组成分形特征向量D;采用核函数的支持矢量机(SVM)进行训练判决识别的PUE攻击检测方法.实验结果表明,该方法具有较高的识别率,并能够较好地解决PUE攻击检测问题.

摘要： 本文主要研究基于支持矢量机(SVM)的多目标识别方法.首先介绍了基于SVM的OAA和OAO多目标识别算法,针对OAA和OAO算法存在的误码判问题,基于SVM决策函数建立了样本模糊隶属度函数,对OAA和OAO算法进行了改进,提出了一种新的模型支持矢量机多目标识别方法.仿真实验结果表明,该方法能够有效提高识别性能.

摘要： 传统的基于内容的视频检索是刺用图像的颜色、纹理以及形状等底层特征来对视频进行检索,然而这些底层特征并没有深层次地挖掘[1]出视频的语义内容.在用支持矢量机对图像进行分类的基础上,提出了一种基于贝叶斯网络的对视频静态语义如室内/室外进行探测的新方法,实验结果验证该方法的有效性.

摘要： 传统的视频结构——（镜头、场景、故事单元等）已经逐渐不能满足用户的查询需 求，本文基于视频帧语义的探测提出了一种新的用于视频检索的语义索引。采用支持矢量机的方法先对大量的图像进行训练，然后对连续的视频帧进行了语义探测。开发了如对天空、草地、 湖水、建筑物等语义的分类器，然后基于这些分类器组成一个贝叶斯网络来进行高层语义的探测。最后基于镜头层次对视频帧进行了室内/室外等场景语义的探测，这样就形成了更高层的语义索引（室内/室外）。实验结果验证了该方法的有效性。

摘要： 由于复杂机械产品的系统级可靠性试验数据极少,且难以确定其组成单元的准确寿命分布,传统的基于渐进理论的可靠性评估方法已经难以应用.而统计学习理论作为一种新的有限样本统计推断方法开始受到越来越广泛的重视.本文利用统计学习理论设计了一种新的可靠性评估方法.它通过构造支持矢量机,并结合近似推理,求解线性算子方程,直接估计出产品的概率密度,进而求解出产品的可靠性指标.该方法可以显著地提高有限样本情况下可靠性评估的精度和泛化能力.最后,以某种重型特种车辆中的车桥为例,来验证该方法的有效性.

摘要： 本文首先讨论了支持矢量机算法的一般理论及在单波段灰度图像和RGB彩色图像分类处理中的应用,并与自适应最小距离法、K近邻法进行了比较,表明支持矢量机算法的效果显著.

摘要： 在大类别图像识别过程中,训练非常耗时.因此本文提出一种基于分布式机群的大类别图像并行训练方法.该方法分别并行化图像数据的SIFT特征提取过程、Fisher特征提取过程,以及对特征数据分段加权后的线性SVM训练过程,并且通过分布式架构在机群上实现上述并行算法.在大类别图像库上的实验结果表明,本文所提方法在不降低系统的识别性能的前提下,能够有效地降低机器学习的计算耗时.

摘要： 在大类别图像识别过程中,训练非常耗时.因此本文提出一种基于分布式机群的大类别图像并行训练方法.该方法分别并行化图像数据的SIFT特征提取过程、Fisher特征提取过程,以及对特征数据分段加权后的线性SVM训练过程,并且通过分布式架构在机群上实现上述并行算法.在大类别图像库上的实验结果表明,本文所提方法在不降低系统的识别性能的前提下,能够有效地降低机器学习的计算耗时.

摘要： 在大类别图像识别过程中,训练非常耗时.因此本文提出一种基于分布式机群的大类别图像并行训练方法.该方法分别并行化图像数据的SIFT特征提取过程、Fisher特征提取过程,以及对特征数据分段加权后的线性SVM训练过程,并且通过分布式架构在机群上实现上述并行算法.在大类别图像库上的实验结果表明,本文所提方法在不降低系统的识别性能的前提下,能够有效地降低机器学习的计算耗时.

摘要： 在大类别图像识别过程中,训练非常耗时.因此本文提出一种基于分布式机群的大类别图像并行训练方法.该方法分别并行化图像数据的SIFT特征提取过程、Fisher特征提取过程,以及对特征数据分段加权后的线性SVM训练过程,并且通过分布式架构在机群上实现上述并行算法.在大类别图像库上的实验结果表明,本文所提方法在不降低系统的识别性能的前提下,能够有效地降低机器学习的计算耗时.

摘要： 在大类别图像识别过程中,训练非常耗时.因此本文提出一种基于分布式机群的大类别图像并行训练方法.该方法分别并行化图像数据的SIFT特征提取过程、Fisher特征提取过程,以及对特征数据分段加权后的线性SVM训练过程,并且通过分布式架构在机群上实现上述并行算法.在大类别图像库上的实验结果表明,本文所提方法在不降低系统的识别性能的前提下,能够有效地降低机器学习的计算耗时.

摘要： 本发明公开了一种基于支持向量机的矢量跟踪通道故障检测方法。该方法步骤如下：一、利用接收机的位置、速度、钟差、钟漂和卫星星历计算载波和码NCO参数；二、鉴频器和码环鉴别器输出作为导航滤波器量测信息，用以估计接收机的位置、速度、钟差和钟漂误差，用估计的信息修正接收机位置和速度，然后用修正过的接收机位置和速度结合卫星星历计算载波和码NCO，以保持对输入信号的跟踪；三、将每个通道对应的新息序列作为支持向量机的输入，用来判断通道是否正常。本发明方法能够准确地检测出存在故障的通道，同时没有明显增加计算量，不影响环路的实时性，应用前景广阔。

摘要： 本发明公开一种基于金字塔采样和SVM的极化SAR图像分类方法，主要解决现有技术的分类精度不高的问题。其实现步骤为：首先，对极化SAR图像进行滤波；其次，提取极化SAR图像基于金字塔采样的采样散射特征；最后，提取极化SAR图像的极化散射特征和小波纹理特征，将采样散射特征、极化散射特征和小波纹理特征进行组合，得到组合特征，用组合特征训练支持向量机分类器，用训练好的分类器对极化SAR图像进行分类，并对分类后的极化SAR图像进行上色。本发明具有更好的去噪效果，提高了图像质量和分类精度，可用于极化SAR图像的目标识别。

摘要： 本发明涉及一种基于分子亲电矢量(MEV)和扩展支持向量机(SVM)的基因毒性概率预测方法，适用于根据有机化合物分子结构信息对该化合物进行虚拟毒性评价和筛选。首先，对输入分子结构使用基于文本的化学结构提问语言SMARTS和可编程原子分类PATTY回溯算法根据预定义规则进行原子分类；然后，根据半经验Hückel方法计算分子中每种原子类型的原子描述符(前线轨道电子密度、电子超离域度、原子π-电荷)建立描述分子的亲电性质的特征矢量MEV；最后，使用扩展的支持向量机方法(SVM)对分子的基因毒性数据和及其特征MEV进行统计学习，得到该分子基因毒性的后验概率估计。

摘要： 本发明公开了一种基于支持向量机的矢量跟踪通道故障检测方法。该方法步骤如下：一、利用接收机的位置、速度、钟差、钟漂和卫星星历计算载波和码NCO参数；二、鉴频器和码环鉴别器输出作为导航滤波器量测信息，用以估计接收机的位置、速度、钟差和钟漂误差，用估计的信息修正接收机位置和速度，然后用修正过的接收机位置和速度结合卫星星历计算载波和码NCO，以保持对输入信号的跟踪；三、将每个通道对应的新息序列作为支持向量机的输入，用来判断通道是否正常。本发明方法能够准确地检测出存在故障的通道，同时没有明显增加计算量，不影响环路的实时性，应用前景广阔。

摘要： 本发明公开一种基于金字塔采样和SVM的极化SAR图像分类方法，主要解决现有技术的分类精度不高的问题。其实现步骤为：首先，对极化SAR图像进行滤波；其次，提取极化SAR图像基于金字塔采样的采样散射特征；最后，提取极化SAR图像的极化散射特征和小波纹理特征，将采样散射特征、极化散射特征和小波纹理特征进行组合，得到组合特征，用组合特征训练支持向量机分类器，用训练好的分类器对极化SAR图像进行分类，并对分类后的极化SAR图像进行上色。本发明具有更好的去噪效果，提高了图像质量和分类精度，可用于极化SAR图像的目标识别。

摘要： 本发明涉及一种基于分子亲电矢量(MEV)和扩展支持向量机(SVM)的基因毒性概率预测方法，适用于根据有机化合物分子结构信息对该化合物进行虚拟毒性评价和筛选。首先，对输入分子结构使用基于文本的化学结构提问语言SMARTS和可编程原子分类PATTY回溯算法根据预定义规则进行原子分类；然后，根据半经验Hückel方法计算分子中每种原子类型的原子描述符(前线轨道电子密度、电子超离域度、原子π－电荷)建立描述分子的亲电性质的特征矢量MEV；最后，使用扩展的支持向量机方法(SVM)对分子的基因毒性数据和及其特征MEV进行统计学习，得到该分子基因毒性的后验概率估计。

摘要： 一种图像处理技术领域的基于训练自适应增强和支持矢量机的目标识别方法，通过提取原始样本的哈尔特征，并用于训练得到基于Adaboost和SVM的级联分类器，然后用该级联分类器对待识别图像进行目标识别并得到最终的识别结果。本发明能够对人、车等目标进行准确而快速的识别。

摘要： 本发明提供了一种支持矢量机算法进行地震波形分类的方法。该方法首先从目的层的叠后地震数据体中选择待分类的N道地震数据；然后获取已知的能够表征目的层一段区域内地震信号横向变化的K个类别的样本数据；其中K≤N；然后利用已知的样本数据训练支持矢量机，以确定用于将样本数据分成K个类别的K个分类函数；之后利用训练好的K个分类函数对待分类的N道地震数据进行分类，根据分类结果形成所选岩石物理参数或者沉积相平面分布规律图。

摘要： 一种图像处理技术领域的基于训练自适应增强和支持矢量机的目标识别方法，通过提取原始样本的哈尔特征，并用于训练得到基于Adaboost和SVM的级联分类器，然后用该级联分类器对待识别图像进行目标识别并得到最终的识别结果。本发明能够对人、车等目标进行准确而快速的识别。

摘要： 本发明属于模式分类识别技术领域，具体为一种基于支持矢量机的模式分类识别方法。本发明将粗糙集理论引入支持矢量机，定义支持矢量机的分类间隔为一粗糙分类间隔，在训练支持矢量机时，使该粗糙分类间隔最大，来确定两类间的最优分界面。本发明克服了传统支持矢量机在训练样本中存在噪声或离群数据情况下出现的过学习问题，从而提高了支持矢量机的推广能力。而且所需计算时间和传统支持矢量机相当。