顾弘
- 作品数：7 被引量：35H指数：3
- 供职机构：浙江大学电气工程学院更多>>
- 发文基金：国家自然科学基金浙江省科技计划项目浙江省自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于SMO的层次型1-FSVM算法被引量：3
- 2010年
- 针对序贯最小优化(SMO)训练算法具有计算速度快、无内负荷的特点,将其移植到模糊一类支持向量机(1-FSVM)中。1-FSVM算法融入层次型偏二叉树结构进行逐步聚类以加快训练速度,并对每个输入向量赋予不同权值以达到准确的分类效果。应用于光识别手写数字集和车牌定位的结果表明,1-FSVM算法具有较高的检测率与较快的检测速度。
- 左萍平孙赟顾弘齐冬莲
- 关键词：序贯最小优化层次型
- 车牌识别中先验知识的嵌入及字符分割方法被引量：21
- 2010年
- 针对车牌字符分割过程中先验知识嵌入困难,分割过程对于前期车牌定位依赖较强的问题,提出了一种新的先验知识嵌入方法及其对应的字符分割算法。给定一种类型的车牌,利用字符的可能排列方式定义马尔可夫链中的状态,可以将车牌字符分割转化为一组马尔可夫链的前向识别过程。结合连通分量提取及垂直投影分割算法,可以有效地获取车牌的最优分割结果及其置信度。在实际应用中,该算法不依赖于前期的精确定位,对粗定位后的图像即可进行快速有效地分割。该方法统一了不同类型车牌的先验知识嵌入方法,降低了编码复杂度。在中国车牌及马来西亚车牌上的实验结果均证明,该方法有效地提高了车牌字符分割的性能。
- 顾弘赵光宙齐冬莲孙赟张建良
- 关键词：车牌字符分割马尔可夫链
- 基于作用集的一类支持向量机递推式训练算法被引量：3
- 2009年
- 为了求解一类支持向量机(1-SVM)的二次规划问题(QPP),利用该QPP的稀疏解集性质,提出了基于作用集的1-SVM递推式训练算法.将支持向量集设定为作用集,迭代地局部优化作用集以获得全局最优解,并引进递推式算法降低计算复杂度。不同于序贯最小优化(SMO)收敛目标函数的思路,该算法寻找支持向量在最优状态下的分布,对Karush-Kuhn-Tucker(KKT)条件不敏感,并可获得解析的最优值。仿真结果表明,本算法在计算时间和精度上均优于SMO,可有效地应用于1-SVM的大样本学习。
- 徐磊赵光宙顾弘
- 关键词：二次规划问题序贯最小优化
- 成对耦合分类器的多球体预处理方法被引量：1
- 2010年
- 为了解决基于支持向量机(SVM)的成对耦合(PWC)决策算法的训练实时性问题,提出一种简化最终决策候选集的预处理方法.通过基于多球体(MS)的简略分类器计算样本与类别间的模糊隶属度,挑选部分隶属度较高的类别用于最终PWC决策.在算法实现方面,通过预设条件简化参数需求,设计基于核函数计算次数的评分函数,并借助交叉验证构造最优参数搜索方法.仿真实验表明,预处理方法以极小的分类正确率损失为代价大大缩短了决策时间,使PWC适用于对决策实时性要求较高的复杂问题.
- 徐磊赵光宙顾弘
- 关键词：一对一
- 基于支持向量机和多球体的一对多分类器被引量：5
- 2009年
- 为了提高支持向量机(SVM)多分类器的训练效率,将多球体思想引入有指导学习,对训练样本按类别分别进行一类支持向量机(1-SVM)训练得到多球体分类器.针对多球体的冗余区域,构造简化一对多分类器将各球内混叠样本与正常样本分离.以上两个分类器性能互补,可以加权组合为多球体一对多分类器.同时给出了组合分类器基于交叉验证的权重估计和参数调整.仿真实验表明,相对于一对多算法,该分类器训练时间较短且分类正确率较高;相对于一对一算法,该分类器决策速度较快,有助于解决大样本的多分类问题.
- 徐磊赵光宙顾弘
- 关键词：一对一
- 广义局部图像距离函数下的图像分类与识别
- 2011年
- 针对当前常用的局部特征算子,提出广义的局部图像距离函数用于计算图像间的距离.广义局部图像距离函数主要由2部分组成:特征到图像的距离以及图像到图像的距离.其中图像到图像的距离定义为特征到图像距离的线性组合.特征到图像的距离与该特征在图像中的k个最邻近特征距离相关,在不同的约束假设下具有不同的表达形式.该距离函数可以通过求解基于相对约束的二次优化问题进行学习.学习后的距离函数通过Adaboost方法集成为强分类器用于图像分类.广义局部图像距离函数克服了简单线性距离函数下特征统计信息丢失的问题,实验数据证明,该方法有效提高了图像分类的性能.
- 顾弘赵光宙
- 关键词：图像分类
- 高维金字塔匹配核改进算法被引量：4
- 2011年
- 随着特征维数增加,原金字塔匹配核(PMK)期望误差线性上升,从而性能存在着大幅下降的可能。提出一种改进的金字塔匹配算法,通过不断的二分维特征空间从而产生一系列特征子空间,加权求和每一特征子空间内对特征的金字塔匹配核,最后通过核优化得到半正定核矩阵,从而能够利用基于核学习算法(如支持向量机)求解。在两个数据集(Caltech-101、ETH-80)上的实验表明,相对于其他相应改进算法需要增加几百倍的计算时间,DPPMK只增加4～6倍的计算时间就能够达到与其一样的准确率。
- 张俊赵光宙顾弘
- 关键词：特征集支持向量机核函数目标识别
