基于马氏距离的模糊支持向量机及其在用户行为识别中的应用研究

基于支持向量机的分类原理,对具有显著不平衡性的用户行为数据进行分析,旨在探索一种利用用户浏览商品网页时的行为特征,识别用户关于商品品牌购买偏好的方法。文章提出一种基于马氏距离的高维空间类中心隶属度构建方法,将该方法与支持向量机和基于欧式距离的高维空间类中心隶属度的模糊支持向量机进行比较,通过一组对比实验,证明该方法用于对用户行为偏好识别的有效性和优越性。     

基于PCA和SVM的人脸识别

主成分分析(PCA)是人脸识别中特征提取的主要方法,支持向量机(SVM)具有适合处理小样本、非线性和高维数问题,利用核函数且泛化能力强等多方面的优点。文章将两者结合,先用快速PCA算法进行人脸图像特征提取和选择,用所选择的人脸特征向量训练多个支持向量机(SVM),最后用训练好的支持向量机(SVM)进行人脸识别的分类。在ORL人脸数据库上进行了实验,取得了满意的识别效果。     

基于PCA和SVM的人脸识别

主成分分析(PCA)是人脸识别中特征提取的主要方法,支持向量机(SVM)具有适合处理小样本、非线性和高维数问题,利用核函数且泛化能力强等多方面的优点.文章将两者结合,先用快速PCA算法进行人脸图像特征提取和选择,用所选择的人脸特征向量训练多个支持向量机(SVM),最后用训练好的支持向量机(SVM)进行人脸识别的分类.在ORL人脸数据库上进行了实验,取得了满意的识别效果.     

基于支持向量机的几种核函数遥感图像分类比较

图像分类是人们获取信息的一种重要的手段,传统的分类方法是以经验风险最小化为归纳原则,只有当训练样本数趋于无穷时,其性能才能达到理论上的最优。当样本不足时,传统的分类方法往往不能达到理想的分类精度。与传统的人工神经网络相比,支持向量机理论体现了结构风险最小化原则,它不仅结构简单,泛化能力强,而且能较好的解决小样本、高维数据和局部极小等实际问题。本文以试验区的地物分类为研究背景,建立了支持向量机的算法框架,并分别使用多项式核函数,径向基核函数、Sigmoid核函数以及线性核函数四种核函数对图像进行了多类别分类实验。     

基于支持向量机算法的近红外光谱判别分析在畜产品供应链中的应用

近红外光谱(NIR)技术已经在许多行业的定量和定性分析中广泛应用,而支持向量机(SVM)算法由于具有经验风险最小、防止过拟合、适于非线性分析等特点,开始逐步应用于近红外光谱分析领域。本文主要介绍了支持向量机,特别是最小二乘支持向量机(LS-SVM)算法的特点,综述其在近红外光谱技术鉴别饲料原料、饲料产品、主要畜产品(肉、蛋、奶)种类和品质等非线性指标中的应用,同时分析了基于支持向量机算法的近红外光谱技术在未来饲料在线分析、低检测限成分的定性和定量分析,以及光谱信息数据提取算法改进等方面的研究趋势。     

拉曼光谱结合模式识别算法用以牛奶制品智能判别与参数优化

本试验以牛初乳奶片、乳酸奶片为对象,采集了多个样品的拉曼光谱并进行结构解析,随后以拉曼光谱为输入,先后论证了多种数据预处理方法的适用性,以及特征提取方法的选择、分类算法的参数优化。结果显示,奶片的拉曼光谱可提供样品丰富的化学结构信息,表征蛋白质、脂肪、糖类等营养物质信息,但由于样品间具有较高的谱图相似性,仅凭裸眼无法实现类别判别。引入支持向量机分类器,系统讨论了包括小波降噪、多元散射校正、求导、归一化多种数据预处理方法,结果发现小波降噪、多元散射校正、一阶求导以及归一化相结合的预处理可有效提高分类器识别率。进一步运用主成分分析特征提取算法,揭示出特征提取可提高分类算法的运行效率、去除冗余信息、节省运行时间、提高分类准确率。随后,比较了网格搜索算法、粒子群优化算法、遗传算法,用以支持向量机分类器参数优化,揭示出网格搜索算法可高效获得最佳惩罚参数(c=11.3731)和核函数参数(γ=0.00097656),可供建立优化的智能判别模型。     

基于粒子群参数优化的支持向量机方法

支持向量机是一种基于统计学习理论的机器学习方法。在传统的支持向量机模型中,模型参数需要用试凑的办法,本文中提出一个基于粒子群算法的参数选择机制,这可以大大减少模型的运算时间。最后给出一个算例。     

电子鼻技术在原料乳风味检测中的应用

检测牛奶中风味物质,确定原料奶的来源对乳制品质量控制是非常重要的。利用电子鼻技术开展了不同奶厂来源奶的识别研究,采用Wilks统计量对电子鼻传感器获取数据的特征优化,分别使用了Bayes算法、最小二乘支持向量机在不同厂来源奶的识别中进行了应用。试验结果表明Bayes算法、最小二乘支持向量机可以对8个不同厂家的牛奶进行分类识别。     

基于颜色特征和支持向量机的蚕茧分类方法研究

针对人工筛选蚕茧工作中漏检率高、效率低的问题,提出了一种基于颜色特征和支持向量机的蚕茧分类方法。该方法以黄斑茧、烂茧、印头茧、薄皮茧和上车茧等5种蚕茧为研究对象,首先对采集的蚕茧图像进行边缘检测、连通域提取等步骤以实现背景分割与正、反面连接,然后提取蚕茧图像HSV颜色空间模型下的颜色直方图和颜色矩作为颜色特征,并将5种蚕茧的HSV三通道像素分布详细划分、量化,最后对蚕茧图像颜色特征进行主成分分析,结合支持向量机设计4种分类器构造方案进行效果对比。试验结果表明,将颜色直方图和颜色矩组成颜色特征集后进行主成分分析,并使用支持向量机构造分类器对5种蚕茧分类效果最好,其中主成分变换最优累计贡献率为999%,分类准确率达91%,单粒蚕茧图像识别时间为012s。本方法为蚕茧智能化分选设备的研究提供了理论基础。     

基于几何参数特征与决策树支持向量机的猪只姿态分类

为了研究分类与猪只行为及精神状况相关的姿态,试验提出了一种基于几何参数特征与决策树支持向量机的猪只姿态分类方法,首先根据猪只行为学特征并借鉴前人的研究成果选择5种相关的姿态,包括躺卧、侧面抬头站立、侧面低头站立、侧面平视站立以及正面站立,并以此建立猪只姿态样本库,再针对所研究姿态的图像形状特点,提出利用圆形度、高宽比、伸长度、质高比、质左比、质心左右比、最高点左右比、左(右)夹角余弦与左(右)抬头度11个几何参数特征作为描述姿态的图像特征,最后利用决策树支持向量机(DT-SVM)进行猪只姿态分类。结果表明:与1-V-1多分类支持向量机(1-V-1 SVM)与Ada Boost分类算法相比较,DT-SVM的分类精度较高,耗时较短。说明所选取的特征可以有效地描述猪只姿态。