基于分类面拼接的快速模块化支持向量机研究

针对大多数现有的机器学习算法处理大规模问题时需要的训练时间很长和存储空间很大的难点,提出了基于分类面拼接的快速模块化支持向量机算法(psfm-SVMs).在训练阶段,psfm-SVMs采用一簇平行超平面对大规模问题实施软划分,然后针对每个子问题并行训练支持向量机.在测试阶段,测试样本坐落于哪个子问题所在空间中,就由该子问题训练的支持向量机给出判别结果.在4个大规模问题上的实验表明:与采取硬划分的快速模块化支持向量机(fm-SVMs)相比,软划分能够使psfm-SVMs得到更加光滑的分类面,因而psfm-SVMs的泛化能力较高.在不增加训练时间的条件下,psfm-SVMs减少了由于训练集分割导致的分类器泛化能力下降.     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa0.79,随机森林总体精度为89.27%—90.95%,Kappa0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于支持向量机的并行学习方法研究

基于决策论中信息源合并规则,提出了基于支持向量机的并行学习方法(B-SVMs).在训练阶段,B-SVMs将一个大规模问题随机分解成若干规模较小的子问题,针对每个子问题同时训练支持向量机.在测试阶段,各个支持向量机并行给出测试结果,B-SVMs利用信息源合并规则将各支持向量机的输出组合而得到最终测试结果.在4个问题上与基于多数投票策略的组合支持向量机(MV-SVMs)和快速模块化支持向量机(FM-SVMs)相比,B-SVMs的泛化能力较高.与利用全部样本训练的标准支持向量机相比,B-SVMs极大地减少了训练时间和测试时间,而且具有与其相当的泛化能力.     

集成学习算法在不平衡分类中的应用研究

提出一种基于训练集分解的不平衡分类算法,该算法使用能输出后验概率的支持向量机作为分类器,使用基于测度层次信息源合并规则实现分类器的集成.在4个不同领域的不平衡数据集上的仿真实验表明:该算法有效提高分类器对正类样本的正确率,同时尽量减少对负类样本的误判.实验结果验证集成学习算法处理不平衡分类问题的有效性.     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率。通过自适应调整参数,可以更好地适应新增样本。采用 UCI（University of California Irvine）机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机。其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机。该文的方法更适合大规模数据集的增量学习。     

基于GF-2遥感影像的塑料大棚提取方法对比

为实现GF-2遥感影像在农业领域的有效利用,针对GF-2遥感影像提取塑料大棚,对比分析随机森林、CART决策树及支持向量机3种分类方法的应用,以GF-2遥感影像为数据源,以内蒙古赤峰市喀喇沁旗王爷府镇为研究区,通过潜在分割误差(PSE)、分割强度(NSR)、欧氏距离(ED)3个指标确定最优分割参数组合,利用随机森林(RF)算法筛选出参与分类的最优特征子集,采用随机森林、CART决策树、支持向量机3种分类器进行了塑料大棚提取对比分析。试验结果表明:1)基于PSE、NSR和ED最优分割参数选择方法,应用于面向对象连片塑料大棚特定地物提取的研究分割效果较好;2)通过RF算法分析包含光谱、纹理、形状及相邻关系等多种特征,得出特征个数与分类精度之间呈现先逐渐增大后减小的趋势,该方法在保证分类精度的同时,可有效删除冗余与不相关特征,以提高分类器性能;3)将采用最优特征子集的3种分类器进行对比,随机森林分类效果最好,分类正确率达到89.65%,表明该方法能有效提取GF-2遥感影像连片塑料大棚,为提取设施农业的应用提供参考。     

一种改进的支持向量机集成分类算法

为了更好地改进集成分类器的性能,提出了一种基于反馈学习的支持向量机Bagging集成分类算法.该算法在对子分类器的训练中,引入反馈学习的思想,首先对每个训练得到的子分类器进行测试,找到被错分的样本,把这些样本添加到训练样本集中,重新进行训练、测试,直到没有新的被错分的样本出现为止,最后采用多数投票策略对得到的各子分类器进行组合.仿真实验结果表明,该算法可通过提高各分类器的分类能力改进集成学习器的性能.     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间，提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络，并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明，ai-SVM算法可大大减小训练样本集和训练代价，且不降低精度。     

基于气质的主成分支持向量基对新疆薰衣草精油判别分析

[目的]快速鉴别不同品种的薰衣草精油,为精油品质控制提供可靠的科学方法依据.[方法]通过气相色谱质谱(GC-MS)测定三个品种共66个薰衣草精油样品,应用峰面积归一法确定各成分的相对含量.对构建的特征信息数据进行主成分分析(PCA),选取7个主成分代替原始数据,再利用支持向量机技术进行分类和预测,对不同品种的薰衣草精油进行鉴别.[结果]通过48个样本建立支持向量机的分类模型,对18个样本进行预测,对训练集样本的训练正确率达到97.92;,对预测集样本的正确识别率达到94.44;.[结论]主成分分析结合支持向量机方法具有很好的分类和鉴别作用,可作为薰衣草精油品种区分的有效方法之一,为薰衣草精油的质量控制提供了一定的科学依据.     

高光谱遥感影像分类方法综述

该文简述了高光谱遥感影像分类的策略,主要有监督分类与非监督分类,基于分类判据的实现策略划分,硬分类和软分类,基于像素的分类和基于对象的分类,单分类器和多分类器集成。并简单介绍了一些分类方法,包括监督分类法(最小距离分类法、最大似然分类法和平行多面体分类法)、基于光谱相似性度量的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。     

基于C-SVM的碎米检测算法研究

提出了一种基于支持向量机(C-SVM)区分整精米和碎米的方法,首先对大米图像进行阈值分割、平滑处理等图像预处理,并根据大米的粒形特点,提取米粒的面积、周长等6个形态特征,利用Orange Canvas数据挖掘软件对C-SVM中核函数参数进行预判,最终选择线性核函数的C-SVM作为分类器进行分类。对8组大米样本图像进行碎米测试,可达到较好的分类效果。试验结果表明,线性核函数的支持向量机对精整米与碎米识别分类准确率为95.6%。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于烟叶化学成分烤烟香型分类模型的建立

基于烟叶化学数据建立烤烟香型分类模型,然后对各模型进行筛选比较选出最优模型。首先对142个烤烟烟叶样品中的9类成分的63个指标采用行业标准进行检测,然后采用逐步回归法筛选出19个烟叶化学成分,依据这19个指标采用线性判别分析法、Logistic回归、高斯混合模型、分类树、K最邻近法、人工神经网络和支持向量机七种方法进行建模。通过对不同方法建立的模型采用100次随机抽取训练集样本和测试样本计算错误分类率,选择错误分类率较低的模型作为优选模型。经比较发现,线性判别法和高斯混合模型建立的两种香型函数能较好地对未知样品的香型进行正确分类,且效果较好。筛选出的两种优选模型对于烤烟香型分类研究具有一定的应用价值。     

强模糊支持向量机在稻瘟病气象预警中的应用

针对稻瘟病气象顸警中样本含有模糊信息,支持向量机对含有模糊信息样本无法处理的问题,建立适合稻瘟病气象预警特点的分类预警算法(强模糊支持向量机).以模糊事件的可信性测度为基础,将模糊分类问题转化为求解模糊机会约束规划问题;将模糊机会约束规划化转化为与其等价的二次规划,据此给出强模糊支持向量机.并且研究了强模糊支持向量机在稻瘟病气象预警中的应用方法.对浙江省宁波市某水稻种植区2004-2007年稻瘟病气象预警试验,数据结果与实际情况吻合.由此可说明强模糊支持向量机能较好地解决样本中含有模糊信息的分类问题,基于强模糊支持向量机的稻瘟病气象预警方法对于稻瘟病气象预警有较大的优越性.     

基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究

以福建沙县为研究区,融合SPOT-5多光谱影像与全色影像,基于灰度共生矩阵法提取纹理量,与光谱波段组合,采用支持向量机分类方法提取虫害信息,探讨纹理特征对于虫害监测信息提取精度的影响。结果表明:结合多尺度纹理与光谱特征的支持向量机分类方法,其虫害信息提取总精度最高,为80.48%;结合单尺度纹理与光谱特征的支持向量机分类器方法,其虫害信息提取总精度次之,为78.81%;基于光谱特征的最大似然法,其虫害信息提取总精度最低,为70.48%。结合多尺度纹理与光谱特征的支持向量机分类器方法,其图面表现也较好,减少了图面的细碎斑点。因此,提取多尺度纹理与光谱特征结合,丰富了图像信息量,有助于提高虫害信息的提取精度。     

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。     

基于凸壳的在线单类学习机

传统的基于支持向量机的单类分类器因计算复杂度高而无法满足大规模数据实时处理的需求,在线学习方法为解决该问题提供了一种有效途径.本文在挖掘样本数据在特征空间分布性状的基础上,提出了一种基于凸壳的在线单类学习机(One-class Online Classifier based on Convex Hull,OOCCH).该方法首先使用凸壳的定义选择能代表特征空间中数据分布的凸壳向量对应的原始样本作为训练样本来缩减训练集的规模;其次在分类器在线更新阶段利用凸壳向量动态地调整分类器的训练样本.理论分析证明了OOCCH的有效性,与现有的在线单类分类器的实验比较,OOCCH在训练时间和分类性能方面有显著优势.     

孪生二叉树支持向量多分类机算法

提出一种基于二叉树支持向量机的超球孪生二叉树支持向量机,该算法结合了孪生支持向量机和二叉树支 持向量机的优势,加快了训练速度,减少了误差累计.通过引入坐标轮换法和收缩技术,得到超球坐标轮换孪生二 叉树支持向量机.实验结果表明,这两种算法具有如下优点:相比一对多支持向量机,在训练时间上具有绝对的优 势,特别是在处理数据规模较大且稀疏性较强的问题时;避免了一对多支持向量机可能存在的样本不均衡性、不可 分区域等缺点.     

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。