联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题，设计了一种基于多特征向量的分类算法。该算法首先对目标和箔条的特征进行分析，而后选择并构造了一组具有较高区分度的极化特征识别量，最后采用支持向量机（SVM）方法，通过对特征样本进行训练，获得了较好的分类结果。实验表明，所提算法具有较强的抗箔条干扰能力，且检测正确率可达90%以上。     

运用高阶累积量和SVM的调制自动识别

针对数字信号调制模式识别问题,提出了运用高阶累积量和二叉树支持向量机（SVM）进行 自动识别的算法。该算法首先使用信号的四阶、六阶、八阶累积量构造了5个新的分类特征 ,然后利用二叉树支持向量机分类器实现了8种信号的有效分类。仿真结果表明,该算法优 于直接多类分类支持向量机算法,在信噪比大于5 dB时,识别率达到90%以上。     

滤波-支持向量回归机

本文是在支持向量机、支持向量回归机的理论基础上,提出了一个新的回归算法,即滤波-支持向量回归机的算法.该算法主要思想是:对于有噪声的样本数据,导致分类错误率比较高.为此,我们先进行滤波处理,然后用单参数约束下的支持向量回归机的算法进行训练得到分类器.该算法可提高样本的稳定性,增强了分类器的分辨能力.地基土物理数据分类的实验结果也显示了该算法是有效的,在一定程度上优于硬ε-带支持向量回归机的算法,使得分类准确率从57.7%提高到96.15%.     

智能财务数据分类方法探究

从财务数据分析财务风险的成因,划分财务风险种类,确定财务风险的度量方法,支持向量机(SVM)是解决问题的最好算法之一。传统的支持向量机是两类分类问题,如何有效地将其推广到多类分类问题仍是一项有待研究的课题。本文介绍了支持向量机的基本原理,对现有主要的多类支持向量机对财务数据分类进行比较。     

利用曲波变换和局部线性嵌入算法的SAR图像海面油膜特征提取

溢油事故带来的海洋污染问题日益严重,SAR图像快速准确地自动识别为溢油事故的处理和决策支持提供了重要前提。为了获得更高的油膜识别准确率,提出了一种基于曲波变换（Curvelet）和局部线性嵌入（Local Linear Embedding,LLE）算法的SAR图像特征提取方法。首先,利用Curvelet对图像进行分解,选取包含了主要信息的低频分量作为新的图像矩阵;然后,利用LLE进行非线性降维,提取图像分类特征。为了验证提取特征的有效性,所提的Curvelet-LLE算法与PCA、LLE、等距特征映射（Isomap）、Curvelet变换和 Fisher 判别分析(Curvelet-KFD)、Wavelet-LLE等特征提取算法,利用K最近邻和支持向量机分类器分别进行了对比实验。实验结果表明,Curvelet-LLE算法能更有效地提取SAR图像油膜识别的分类鉴别特征,其准确率相对较高,具有较好的实用性。     

一种最大分类间隔SVDD的多类文本分类算法

文本分类是信息检索和文本挖掘的关键技术之一。提出了一种基于支持向量数据描述(SVDD)的多类文本分类算法,用支持向量描述训练求得包围各类样本的最小超球体,并使得分类间隔最大化,在测试阶段,引入基于核空间k-近邻平均距离的判别准则,判断样本所属类别。实验结果表明,该方法具有很好的泛化能力和很好的时间性能。     

基于核主成分分析的PSO－SVR的煤炭物流需求量预测

利用核主成分分析法对煤炭物流需求影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,利用粒子群算法对模型参数进行选择优化,从而构建出核主成分分析和粒子群优化支持向量机协同模型,并通过实例对模型的合理性和有效性进行验证。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

基于局部极值共生模式和能量分析的烟雾检测

针对烟雾稀薄的场景提出了一种新颖且具有鲁棒性的视频烟雾检测方法,该方法主要由预处理、特征提取和图像分类三个阶段组成。在预处理阶段,使用背景差分算法提取视频帧的运动前景区域,并采用HSV颜色空间作用于运动前景区域识别烟雾像素;然后使用局部极值共生模式(Local Extrema Co-occurrence Pattern,LECoP）计算纹理特征和使用烟雾能量分析计算能量特征;最后,将特征矢量融合训练支持向量机（Support Vector Machine,SVM）用于识别烟雾。实验结果表明该方法能有效检测出烟雾。     

支持向量机在说话人识别系统中的应用

支撑向量机(Support Vector Macbinc,SVM)是一种新的统计学习方法,作为一种说话人识别的手段具有独特的优势.通过产生的支持向量来概括数据集合中的信息,其分类核函数仅依赖于一小部分训练样本,即支持向量,从而降低信息的采集量和识别时间.本文介绍了说话人识别的基本原理,特征提取、模型训练等方面,通过实验证明支撑向量机(SVM)在说话人识别系统应用中表现出的良好性能.     

决策可靠性分析及在SAR图像目标识别中的应用

决策融合是提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能的重要手段,然而,可靠性较弱的决策往往会导致最终决策融合的效果变差。将可靠性分析引入基于决策融合的SAR目标识别方法中,分别计算各个决策的可靠性系数并选取可靠性的决策参与最终的决策融合。为了验证方法的有效性,分别将提出的可靠性分析应用于多特征决策融合以及多分类器决策融合并基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集进行了目标识别实验。在基于主成分分析、线性鉴别分析和非负矩阵分解三种特征进行多特征决策融合的条件下,所提方法和直接进行决策融合的方法的识别率分别为97.47%和96.50%。在基于K近邻、支持向量机和稀疏表示分类器的多分类器决策融合中,所提方法和直接进行决策融合的方法的识别率分别为97.10%和96.28%。实验结果充分证明了所提方法的有效性。     

基于同步压缩短时傅里叶变换的微型无人机识别

针对利用雷达微多普勒效应的微型无人机识别问题,提出了一种基于同步压缩短时傅里叶变换（Synchrosqueezing Short-Time Fourier Transform,SSTFT）的分类识别方法。首先对无人机的微多普勒回波信号进行SSTFT从而获得信号时频谱,然后对时频谱进行多维度特征提取获得回波信号的时频特征及频率变化特征,最后将所获得联合特征输入到支持向量机（Support Vector Machine,SVM）中进而实现无人机的分类识别。基于实际雷达数据的实验结果表明,所提无人机分类方法准确率可达到97.03%。     

基于人工智能的足迹识别与特征提取

针对战场感知及侦破现场中传统人工主观经验检验与识别模式误差较大的问题，提出了一种基于人工智能的足迹识别与特征提取方法。采用三维形貌重构系统进行足迹图像采集，并将数字图像处理算法与传统足迹检验法结合，提取足迹的区域关系特征和形状长度特征，进而采用支持向量机的模式识别方法对提取的特征进行立体足迹身份鉴别对比实验。实验结果表明，所提方法准确率超过人工鉴别准确率，达到99.1%，可应用于战场感知及侦破现场足迹准确检测与识别，也可推广应用于人体身份鉴别的相关领域。     

一种经验模式分解下的海杂波小目标检测方法

利用海杂波有效探测海上小目标是目前雷达探测领域的热点问题，具有重要的应用价值。鉴于海杂波是一种非线性非平稳性的雷达回波信号，充分发挥整体平均经验模式分解的优势，将海杂波分解为若干个不同尺度的独立分量。通过研究发现有目标时，分解出的前5个分量与未分解前信号的相关系数明显减小，因此提出了一种新的海杂波背景下的目标检测方法。通过实测和模拟的海杂波数据进行训练和测试，研究结果表明，该方法能有效地实现海杂波下目标的探测，性能优于经典时域下、分数阶傅里叶变换域下以及平均经验模式分解后的广义Hurst指数的目标检测方法。     

利用局部灰度特征分析实现红外弱小目标检测

提出了一种利用局部灰度特征分析进行红外弱小目标检测的新方法。该方法通过判 断图像局部灰度包络曲面是否具备二维高斯函数曲面特征实现红外弱小目标检测,不需要进 行传统的背景预测。设计了新的目标局部灰度特征提取方法和适合工程计算的自动目标检测 算法。实验结果证明了算法参数选择策略的有效性,验证了算法对复杂背景边缘良好的杂波 抑制能力。     

A hybrid data mining model of feature selection algorithms and ensemble learning classifiers for credit scoring

Data mining techniques have numerous applications in credit scoring of customers in the banking field. One of the most popular data mining techniques is the classification method. Previous researches have demonstrated that using the feature selection (FS) algorithms and ensemble classifiers can improve the banks' performance in credit scoring problems. In this domain, the main issue is the simultaneous and the hybrid utilization of several FS and ensemble learning classification algorithms with respect to their parameters setting, in order to achieve a higher performance in the proposed model. As a result, the present paper has developed a hybrid data mining model of feature selection and ensemble learning classification algorithms on the basis of three stages. The first stage, as expected, deals with the data gathering and pre-processing. In the second stage, four FS algorithms are employed, including principal component analysis (PCA), genetic algorithm (GA), information gain ratio, and relief attribute evaluation function. In here, parameters setting of FS methods is based on the classification accuracy resulted from the implementation of the support vector machine (SVM) classification algorithm. After choosing the appropriate model for each selected feature, they are applied to the base and ensemble classification algorithms. In this stage, the best FS algorithm with its parameters setting is indicated for the modeling stage of the proposed model. In the third stage, the classification algorithms are employed for the dataset prepared from each FS algorithm. The results exhibited that in the second stage, PCA algorithm is the best FS algorithm. In the third stage, the classification results showed that the artificial neural network (ANN) adaptive boosting (AdaBoost) method has higher classification accuracy. Ultimately, the paper verified and proposed the hybrid model as an operative and strong model for performing credit scoring.     

Prediction of hotel bankruptcy using support vector machine,artificial neural network,logistic regression,and multivariate discriminant analysis

The objectives of this paper are firstly, to provide an optimal hotel bankruptcy prediction approach to minimize the empirical risk of misclassification and secondly, to investigate the functional characteristics of multivariate discriminant analysis, logistic, artificial neural networks (ANNs), and support vector machine (SVM) models in hotel bankruptcy prediction. The performances were evaluated not only in terms of overall classification and prediction accuracy but also in terms of relative error cost ratios. The results showed that ANN and SVM were very applicable models in bankruptcy prediction with data from Korean hotels. When jointly measuring both type I and type II errors, especially allowing for the greater costs associated with type I errors, however, ANN was more accurate with smaller estimated relative error costs than SVM. Thus, if the objective is to find the best early warning technique that performs accurately with small relative error costs, then, it will be worth considering ANN method for hotel bankruptcy prediction.