基于改进核函数的支持向量机时间序列数据分类

针对传统支持向量机(support vector machine,SVM)对时间序列数据分类,仅通过样本在空间中的几何距离判别样本的类别,提出了一种基于改进核函数的支持向量机算法(SVM_IK,SVM with improved kernel function)。该算法计算样本与空间基数据的时间序列互相关距离,将样本数据映射到新的特征空间中,实现对线性核函数改进,最终根据改进的线性核函数SVM算法对样本数据进行分类。算法通过25组UCR数据集的验证,实验结果显示与1-NN算法和传统SVM算法相比,SVM_IK算法对时间序列数据具有较好的分类效果。     

支持向量机的正定核

探讨并论证了支持向量机中Mercer核,再生核与正定核这几种核函数的关系及它们在支持向量机中各自的角色.通过核矩阵的正定性检验了核函数的构造方法.基于Bochner定理,在Fourier域验证了许多平移不变核函数.基于Schoenberg定理验证了一些旋转不变径向核.最后讨论了离散尺度与小波核函数的构造,核函数选择与核参数学习.     

基于粒子群优化和支持向量机的湘中农业受灾面积预测

针对径向基核函数的支持向量机对参数选择并非最优问题,引入粒子群优化算法,对其参数进行优化,建立PSO-KSVM湘中农业受灾面积预测模型,从而通过同一样本环境下,对支持向量机预测模型和神经网络预测模型的效果进行对比分析得出:在小样本环境下支持向量机与粒子群优化算法的结合效果更为明显,预测效果更好。     

基于支持向量机的土地利用预警研究

支持向量机是建立在统计学习理论基础上的一种新的学习方法,其引入核函数思想,将非线性问题转化为线性问题来解决,其非线性回归预测性能优越于传统统计方法。针对土地可持续利用与土地利用预警指标之间复杂的非线性关系,提出基于支持向量机的土地利用预警方法,对土地利用预警系统的内涵、原理和指标体系,以及建立土地利用预警体系等问题进行了研究。     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

啤酒瓶检测中多分类支持向量机算法的选择

在提取啤酒瓶的缺陷特征后，如何选择合适的多分类支持向量机算法对提高分类准确率和分类速度具有重要的作用．本文通过一对一、一对多、决策有向无环图、二叉树、误差纠错码、一次性求解等多分类支持向量机算法在核函数为线性、多项式、径向基，神经网络的情况下，对多个基准样本进行了分类性能、分类速度、分类准确性的详细比较以及完整的理论分析，最终得出一对一多分类支持向量机在径向基核函数时性能优于其他算法．在啤酒瓶智能检测机器人上的实验，表明这种算法能够满足检测需要．     

基于支持向量机的电气设备运行状态图像识别方法研究

针对电气设备运行状态图像的特点,提出将支持向量机（SVM）分类器应用于多种电气设备运行状态识别中。首先利用C-均值聚类法,分割出运行状态指示牌的汉字或数字部分;再利用K—L变换提取出运行状态的特征向量;最后利用支持向量机分类方法进行状态识别。试验结果表明：支持向量机分类方法对于小样本情况,具有良好的分类能力,适合多种电气设备运行状态的分类,并能获得比神经网络方法更好的识别性能。不同的分类核函数的相互比较分析表明,Sigmoid核函数最适合电气设备运行状态的分类识别。     

基于支持向量机的苹果颜色分级

为了克服苹果颜色分级中存在的误差大等缺点,提出了一种新颖的智能分级方法.设计了基于支持向量机的苹果颜色分级系统,即利用计算机视觉技术获取苹果表面颜色的色度作为颜色特征;依据支持向量机理论,选取径向基函数作为核函数,采用"一对多"的方法构造多类分类机;将苹果的色度特征作为分类机的输入样本,对苹果进行分级.对大量样本进行分级仿真试验,结果表明,该方法分级正确率很高.将支持向量机应用于苹果颜色分级切实可行且效果显著.     

基于支持向量机的DNA序列分类系统的设计与实现

针对传统统计方法进行DNA序列分类时要求DNA序列样本的概率分布函数已知，但多数情况下概率分布函数未知这一问题，采用支持向量机这一新的机器学习方法对DNA序列进行分类；以VB和Matlab为主要工具开发了基于支持向量机的DNA序列分类系统。结果表明：该系统能够动态选择DNA训练样本、待测试样本．以及支持向量机模型中的参数，并根据用户的指定条件动态输出计算结果；对于预测一批已知正确分类答案的DNA序列，系统能够自动统计识别率，以观察参数变化对于算法执行结果的影响。支持向量机能够在概率分布函数未知的条件下对DNA序列进行分类。     

基于支持向量机的稻谷黄曲霉毒素B_1近红外无损检测

为提高近红外光谱技术检测贮藏稻谷中黄曲霉毒素B1准确性和精度,文章探讨以RBF径向基函数为核函数的支持向量机参数对建模精度影响。收集80个稻谷样本,应用近红外光谱采集光谱信息,采用化学分析方法测定贮藏稻谷中黄曲霉毒素B1含量,建立稻谷黄曲霉毒素B1支持向量机回归模型。确定基于RBF核函数模型最优参数为c=106,γ=0.0015。该模型校正集决定系数为0.913,校正标准偏差和预测标准偏差分别为1.186和1.267。结果表明,基于支持向量机算法建模可准确检测稻谷中黄曲霉毒素B1。为准确、实时监测贮藏稻谷黄曲霉毒素B1污染提供理论依据。     

基于纹理特征和支持向量机的玉米病害的识别

针对玉米病害叶片彩色纹理图像的特点，提出一种将支持向量机和色度矩分析应用于玉米病害识别的方法。首先利用色度矩提取玉米病害叶片纹理图像的特征向量，然后将支持向量机分类方法应用于病害的识别。玉米病害纹理图像识别实验结果表明：支持向量机分类方法对于病害分类训练样本较少时，具有良好的分类能力和泛化能力，适合于玉米病害的分类。不同分类核函数的相互比较分析表明，径向基核函数最适合于玉米病害的分类识别。     

结合灰度纹理和支持向量机分类的三江源草地信息提取

以三江源地区地形地貌特征、草场分布较为典型的班玛县为例,以HJ环境星多光谱影像为主要数据,基于支持向量机SVM超平面理论,结合灰度共生矩阵寻找最适宜的分类核函数,选取了三江源地区草地信息提取的最适宜SVM分类模型,并与传统的监督分类方法最大似然法和SVM分类方法进行比较,进行三江源草地分类方法的优化。结果表明,与传统监督分类方法相比,除Sigmoid核函数外,其余结合方法的分类精度均有所提高,其中结合纹理和高斯核函数的SVM分类模型有着较理想的识别效果,精度达到91%,Kappa系数为0.856 0,能为三江源地区草地可持续利用以及生态系统恢复提供基础数据。     

基于C－SVM的大米品种识别研究

提出了一种基于支持向量机(C-SVM)区分大米品种的方法。首先对大米图像进行阈值分割、平滑处理等预处理,并根据大米的粒型特点,提取米粒的面积、周长等6个形态特征。利用Orange Canvas数据挖掘软件先对linear和RBF核函数进行核参数选择,并在Opencv 3.0环境下,编程实现K-means、linear和RBF的3种大米品种识别方法,对10组混合大米图像进行品种测试。试验结果表明,支持向量机线性核函数对大米品种识别具有较高的预测稳定性,识别分类准确率约为99%。     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

基于核函数的SVM猪肉颜色等级评定研究

 为了实现用计算机和机械设备进行猪肉颜色自动化分级,本研究对猪肉样品照片进行图像处理,提取其中颜色特征参数,并进行色彩空间参数换算。通过对基于核函数的3种SVM多分类方法进行比较,选择出最适合于猪肉颜色的SVM多分类评定方法。对比结果显示,采用单独的HSV数据及RGB与HSV联合数据进行分类,分类效果好于RGB数据。RBF核函数“二叉树”SVM多分类模型,经过样本学习后,其分类的正确率可达98%;同时考虑经验风险和置信风险,其分类正确率达80%。     

基于遗传算法和支持向量机的储粮害虫图像识别

建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。     

基于混沌机制的人工蜂群算法优化的支持向量机分类器

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。