导读:本文包含了球结构支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机,孪生支持向量机,局部结构信息,间隔分布
球结构支持向量机论文文献综述
刘历铭[1]（2019）在《结构支持向量机分类模型研究》一文中研究指出在机器学习领域,支持向量机(SVM)作为一种新型的、有效的分类或回归方法受到了广泛的应用。相比于传统的机器学习方法,SVM具有很好的泛化性能。然而,在计算复杂度上SVM仍然存在着很大的提升空间。为了降低SVM的计算复杂度,有人提出了孪生支持向量机(TSVM)。它的训练速度比SVM快,同时,它能够提高泛化性能。因此,现阶段,TSVM成为了最受欢迎的分类方法。虽然,SVM和TSVM已经是非常成熟的分类算法,但是,SVM和TSVM都忽略了样本自身隐藏的重要结构信息。因此,本文提出了3种更有效的基于潜在结构信息的分类模型,具体的工作包括以下叁个方面:(1)相比于数据集的全局结构信息,对于泛化性能来说,局部结构信息也是至关重要的。因此,受近邻边界Fisher判别分析算法(NMFDA)和Fisher判别分析算法(FDA)的启发,在SVM的基础上,本文提出了具有局部结构信息的支持向量机(LSI-SVM)。该算法需要进行叁个步骤才可以获得最终的分类超平面。首先,基于FDA算法挖掘数据集的全局结构信息,其次,依据NMFDA算法提取数据集的类内k近邻和类间k近邻局部结构信息,然后,将获得的结构信息引入到SVM中,构造出新的分类模型。最后,在UCI数据集上的测试结果表明本文提出的LSI-SVM算法能够有效的提高模型的分类精度。(2)相比于全局间隔,局部类间间隔更能真实的反映样本之间的可分性。因此,受NMFDA算法的启发,在TSVM的基础上,本文提出了一种具有局部结构信息的孪生支持向量机(LSI-TSVM)。首先,基于NMFDA的思想,针对每类样本,挖掘它的类内k近邻和类间k近邻局部结构信息,然后将获得的结构信息引入到TSVM中,获得一个新的分类模型。最终,所有的实验结果表明,本文提出的LSI-TSVM算法在泛化性能上优于现有的算法。(3)相比于间隔理论,对于泛化性能来说,间隔分布是更重要的。为了提高TSVM的泛化性能,本文提出了一种基于可调节大间隔分布的孪生支持向量机(ALD-TSVM)。首先,基于大间隔分布机(LDM)的思想,针对每类样本,重新构造间隔分布,然后引入重构的间隔分布到TSVM中,获得一个新的分类模型。最后,数值实验结果表明,本文提出的ALD-TSVM算法在泛化性能上有明显的提升。(本文来源于《辽宁科技大学》期刊2019-01-12）
戴诗语[2]（2016）在《基于结构支持向量机的目标跟踪算法研究》一文中研究指出随着科技进步和社会发展,计算机视觉跟随人工智能的脚步走入人类视野。目标检测与跟踪课题,作为计算机视觉的关键问题,也是一个经典难题,近年来受到各个相关领域研究学者的关注,并且应对不同场景探索不同的检测与跟踪算法。在目标检测和目标跟踪两个领域中,关键的问题都在于如何有效描述目标、如何让计算机准确识别目标;不同点在于检测看重的是精确度,而跟踪在于实时性。应对这两种需求,本文结合支持向量机的优秀分类特性,研究了以下检测和跟踪系统。对于目标检测系统,在其训练阶段,首先在每个滑动窗口中分别计算HOG特征与LBPHF特征,然后将两者结合构成联合特征。接着利用线性支持向量机(SVM)训练分类器,其中本算法通过自举法(Bootstrap Method)不断更新优化分类器,以此获得最优判别模型。在训练阶段的基础上,将提取所得的联合特征输入上一阶段所获得的分类器中进行判别,最后采用非极大值抑制(NMS)的融合方法对重迭检测窗口进行融合,以此获得最终的检测结果。实验证明改进后的方法满足检出率高、计算复杂度低、抗行人肢体偏转干扰能力强等要求。对于目标跟踪系统,首先利用无模型的跟踪框架,运用改进的HOG-LBPHF对目标进行表观,并且结合目标间的结构信息,以此来训练SVM。其次采用被动主动感知器对分类平面进行优化。最后用最小生成树模型确定下一帧的所在位置。经过实验对比,本算法具有良好的跟踪性能。(本文来源于《哈尔滨理工大学》期刊2016-03-01）
安文娟[3]（2015）在《类内结构支持向量机学习算法研究》一文中研究指出支持向量机是建立在统计学习理论的VC维理论和结构风险最小化原则的基础上的一种机器学习方法。它根据有限的数据信息在模型的复杂性和学习能力之间寻求最佳折衷,以获得最好的泛化能力。支持向量机具有坚实的数学理论基础,能够较好地解决有限样本、非线性、过学习、高维数和局部极小点等学习问题。由于其优越的性能,已被广泛应用于许多领域中,并已成为机器学习领域的研究热点之一。本文对支持向量机理论进行了深入地研究,指出其在寻找最优分类超平面的过程中忽略了一种重要的先验知识,即样本的类内结构。为此,本文研究了类内结构支持向量机算法,即基于样本的类内离散度提出的改进支持向量机算法,随后分别对目前存在的噪声问题、孤立点检测问题、不平衡数据学习问题做了进一步的研究。主要工作如下：(1)指出现有的支持向量机算法模型中存在的问题,即忽略了样本的类内结构。分析了支持向量机与Fisher判别分析算法的相似点与不同点,提出基于类内离散度的支持向量机(WCS-SVM)算法。该算法的基本思想就是寻找一个最优分类超平面,不仅将两类样本尽量正确分开,在保持较高分类精度的同时最大化分类间隔,而且使得样本的类内离散度尽可能的小。数值实验证明了此算法具有良好的分类性能。最后,将无监督聚类技术同WCS-SVM算法结合起来用于网络入侵检测中,进一步验证了算法的有效性。(2)在模糊支持向量机中,为了更好地刻画训练样本对分类超平面的贡献,提出一种新的基于样本紧密度的模糊隶属度函数设计方法。该隶属度函数不仅考虑了样本与所在类中心之间距离,同时还考虑了类内样本之间的紧密度。重点在于我们引入两个参数来分别控制正负两类样本的紧密度,这两个参数需要预先设定。文中,我们通过支持向量数据描述算法来确定这两个参数。数值实验证明了该隶属函数可以更好地降低噪声或野值点对分类结果的影响。为了更好地处理被噪声污染的数据集分类问题,对于每个训练样本赋予不同的模糊隶属度的同时,考虑了样本的类内结构,提出新的基于样本类内结构的模糊支持向量机(WCS-FSVM)算法。文中详细地给出了算法的推导过程的同时,严格证明了该算法的收敛性。数值实验验证了该改进算法的有效性,降低了噪声的影响,提高了分类精度。(3)孤立点检测是数据挖掘和机器学习的研究热点之一。它的任务就是从已有观测数据中建立正常行为数据的模型进行异常行为的检测。我们充分利用样本信息,对一类支持向量机算法进行了改进,并将其应用于孤立点检测中。实验中,我们采用总正确检测率与Kappa系数k作为性能评价标准,与其它一类标准算法GDD、 NNDD、 PCA、 OC-SVM进行比较。结果证明该改进算法是有效的,优于其他比较算法,在一定程度上提高了检测率。(4)不平衡数据广泛存在于实际应用中,不平衡数据学习也是目前机器学习和数据挖掘领域中的研究热点之一。对于支持向量机来说,正负训练样本不平衡会引起分类超平面向少数类偏移。为了有效抑制分类超平面的偏移,本文提出了基于类内结构的不同误分代价支持向量机算法。该算法不仅对少数类和多数类分别采用不同的误分代价(对少数类赋予更大的惩罚因子),而且同样考虑了样本的类内结构,较好地减少了样本数目不平衡对分类性能所产生的影响。实验中,我们采用G-means作为性能评价标准。实验结果证明了该算法的有效性,既可以提高少数类样本点的分类准确率,也可以提高正负类样本点分类准确率的几何平均值。(本文来源于《北京交通大学》期刊2015-07-01）
李飞,王从庆[4]（2014）在《基于结构支持向量机的目标检测跟踪同步算法》一文中研究指出目标检测跟踪同步算法通过对视频帧的目标实时检测来达到跟踪的目的,该算法主要是为了维持一个能够在线训练的分类器,把从背景采样的样本作为负样本,从目标区域采样的样本作为正样本,然后通过分类器把二者区分开,以达到跟踪效果。然而当目标产生形变以及目标区域发生遮挡的时候,如何对样本采样和精确标记成为跟踪成败的关键。在结构支持向量机的框架下,提出一种基于结构支持向量机的目标检测跟踪同步算法。由于结构支持向量机的输出可以是复杂的数据结构,因此采用结构支持向量机,把目标位置估计作为结构支持向量机的输出,避免了对样本标记精确估计的需要,克服了当目标发生遮挡和大范围变形时导致的跟踪失败。仿真实验表明,该算法有良好稳定的跟踪效果。(本文来源于《电光与控制》期刊2014年12期）
赵芳,马玉磊[5]（2014）在《自训练半监督加权球结构支持向量机多分类方法》一文中研究指出针对自训练半监督支持向量机算法中的低效问题,采用加权球结构支持向量机代替传统支持向量机,提出自训练半监督加权球结构支持向量机。传统支持向量机需要求解二次凸规划问题,在处理大规模数据时会消耗大量存储空间和计算时间,特别是在多分类问题上更加困难。利用球结构支持向量机进行多类别分类,大大缩短了训练时间,降低了算法复杂度。球结构支持向量机在不同类别样本数目不均衡时训练分类错误倾向于样本数目较小的类别,通过权值的引入,降低了球结构支持向量机对样本不均衡的敏感性,补偿了类别差异对算法推广性能造成的不利影响。在人工数据集和UCI(university of california irvine)数据集上的实验结果表明,该方法对有标记样本的鲁棒性较好,不仅能够提高效率,且分类精度也有显着提高。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2014年03期）
谌昌强,肜丽[6]（2013）在《基于主成分分析和球结构支持向量机的人耳识别方法》一文中研究指出提出一种基于主成分分析和球结构支持向量机的人耳识别方法.首先将人耳从侧面人脸中提取出来,然后采用主成分分析方法对人耳图像进行特征提取,最后采用球结构支持向量及对人耳图像进行训练和识别.与传统的多分类方法相比,该分类方法识别性能更高,这为非打扰式生物特征识别提供了一条有效途径.(本文来源于《西南师范大学学报(自然科学版)》期刊2013年08期）
蒋华,戚玉顺,曾梅梅[7]（2012）在《球结构支持向量机的主动自适应方法》一文中研究指出为了解决大样本集标记工作问题和分类器对新样本分类适应能力差的问题,结合球结构支持向量机,提出了一种主动学习自适应性分类方法。该方法根据主动学习思想,以边界近邻策略迭代选取最有价值的样本,初始训练分类器,再依据增量学习方法选取包含新信息的样本,以阶段跟新方式重新训练分类器,并根据余弦相似度对内存中支持向量进行控制。实验结果表明,该方法既减少了标记开销,又保持了分类器分类性能的稳定性和延续性。(本文来源于《计算机工程与设计》期刊2012年11期）
蒋华,戚玉顺[8]（2012）在《基于球结构支持向量机的多标签分类的主动学习》一文中研究指出为了实现数据的多标签分类,减少多标签训练样本开销,将球结构支持向量机与主动学习方法结合用于多标签分类,依据球重迭区域样本距离差值度确定样本类别,分析多标签分类特性,采用样本近邻方法更新分类器。实验结果表明,该方法可以用较少的训练样本获得更有效的分类结果。(本文来源于《计算机应用》期刊2012年05期）
林超,杨敏华[9]（2011）在《基于球结构支持向量机的QuickBird影像分类分析》一文中研究指出在支持向量机多类识别基础上探讨以球结构替代传统超平面支持向量机对QuickBird影像进行分类的可行性,对重迭区域的数据分类采用新规则,提高球结构支持向量机算法的泛化性能,并将分类结果与最小距离法、最大似然法分类结果进行比较,实验结果表明该算法有效可行,降低了二次规划的复杂度,缩短了样本训练时间。(本文来源于《测绘工程》期刊2011年03期）
房小兆[10]（2011）在《超球结构支持向量机的研究与应用》一文中研究指出1995年,Cortes和Vapnik首先提出了支持向量机(SVM)理论,它是结构风险化准则的具体实现,且具有结构简单、全局最优以及泛化能力强的优点,特别是在解决小样本、非线性和高维模式中表现出特别的优势。因此该技术在许多领域得到成功的应用。但是支持向量机有一个十分明显的缺点是训练阶段以及测试阶段都需要花费大量的时间。这些缺点限制了支持向量机的应用,特别是对时间要求严格的应用,例如入侵检测,它最大的要求就是能做到实时性,即对网络数据做出及时的决策,进而及时地制止入侵行为。要想将支持向量机成功的应用到入侵检测,上面的缺点必须要得到解决,使之能做到实时决策。超球结构支持向量机(HSSVM)在一定程度上改进了传统支持向量机的上述缺点,其思想是对于每一类的样本,首先用一个较小的超球包裹样本,允许偏远的离群点位于超球的外部。然后通过度量-个新样本与超球的球心距离来判断该新样本是否属于该类。考虑用一个较小的超球来包裹样本,且允许远离球心的偏远样本点落在球体外部。但是现实情况是在大多数基于距离方程的核函数(如高斯核函数)中,样本点在原输入特征空间中比较密集,而当映射到高维空间后,样本点会变的非常稀疏。这就直接导致了包裹样本的超球必须增大,超球的重迭数目增加,进而降低了分类准确率。本文将从两个方面对(超球结构多类支持向量机)HSSVM进行改进,一是在原目标函数中增加一个参数,使超球尽可能多地包裹靠近球心的样本。二是通过构造映射密集型核函数使样本点经过非线性映射后仍能保持紧凑,从而减少对重迭区域的判断。最后给出了基于K近邻算法(KNN)的超球重迭区域判断算法。主要工作如下：(1)利用核模糊聚类算法,提出了基于隶属度的样本预选取方法。利用一定的隶属度间隔,选取靠近支持向量机分类超平面的样本来训练分类模型。该方法不仅能够较大地减少训练和测试时间,而且分类准确率毫不逊于利用全部样本训练所得到的分类模型。(2)在目标函数和核函数稀疏性两个方面对超球结构支持向量机进行了改进,提出了6-超球结构多类支持向量机(δ-Hypersphere Multiclass SVM)。实验验证了该方法要优于同类算法。(3)按照网络协议把网络数据分流,给出了基于6-超球结构支持向量机的协同入侵检测方法,仿真实验表明：该方法比单一的检测代理检测率高、检测时间少。(本文来源于《广东工业大学》期刊2011-05-01）
球结构支持向量机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着科技进步和社会发展,计算机视觉跟随人工智能的脚步走入人类视野。目标检测与跟踪课题,作为计算机视觉的关键问题,也是一个经典难题,近年来受到各个相关领域研究学者的关注,并且应对不同场景探索不同的检测与跟踪算法。在目标检测和目标跟踪两个领域中,关键的问题都在于如何有效描述目标、如何让计算机准确识别目标;不同点在于检测看重的是精确度,而跟踪在于实时性。应对这两种需求,本文结合支持向量机的优秀分类特性,研究了以下检测和跟踪系统。对于目标检测系统,在其训练阶段,首先在每个滑动窗口中分别计算HOG特征与LBPHF特征,然后将两者结合构成联合特征。接着利用线性支持向量机(SVM)训练分类器,其中本算法通过自举法(Bootstrap Method)不断更新优化分类器,以此获得最优判别模型。在训练阶段的基础上,将提取所得的联合特征输入上一阶段所获得的分类器中进行判别,最后采用非极大值抑制(NMS)的融合方法对重迭检测窗口进行融合,以此获得最终的检测结果。实验证明改进后的方法满足检出率高、计算复杂度低、抗行人肢体偏转干扰能力强等要求。对于目标跟踪系统,首先利用无模型的跟踪框架,运用改进的HOG-LBPHF对目标进行表观,并且结合目标间的结构信息,以此来训练SVM。其次采用被动主动感知器对分类平面进行优化。最后用最小生成树模型确定下一帧的所在位置。经过实验对比,本算法具有良好的跟踪性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
球结构支持向量机论文参考文献
[1].刘历铭.结构支持向量机分类模型研究[D].辽宁科技大学.2019
[2].戴诗语.基于结构支持向量机的目标跟踪算法研究[D].哈尔滨理工大学.2016
[3].安文娟.类内结构支持向量机学习算法研究[D].北京交通大学.2015
[4].李飞,王从庆.基于结构支持向量机的目标检测跟踪同步算法[J].电光与控制.2014
[5].赵芳,马玉磊.自训练半监督加权球结构支持向量机多分类方法[J].重庆邮电大学学报(自然科学版).2014
[6].谌昌强,肜丽.基于主成分分析和球结构支持向量机的人耳识别方法[J].西南师范大学学报(自然科学版).2013
[7].蒋华,戚玉顺,曾梅梅.球结构支持向量机的主动自适应方法[J].计算机工程与设计.2012
[8].蒋华,戚玉顺.基于球结构支持向量机的多标签分类的主动学习[J].计算机应用.2012
[9].林超,杨敏华.基于球结构支持向量机的QuickBird影像分类分析[J].测绘工程.2011
[10].房小兆.超球结构支持向量机的研究与应用[D].广东工业大学.2011