以生物医学中实际分类问题为应用背景,提出一种基于半无限线性规划算法(Semi-Infinite Linear Program,SILP)的多核支持向量机(SVM)的分类诊断方法,并利用生物医学中典型的心脏单光子发射计算机化断层显像(SPECT)图像数据以及麻省理工学院(MIT-BIH)的心电图数据库中的数据进行训练和测试,仿真结果表明,这种改进的多核SVM分类器在分类精度、运行时间上都优于普通单核LSSVM与SVM,能够有效地处理实际分类问题。
为了解决传统最小二乘支持向量机曲面拟合边缘检测推广性差的问题,提出了一种模糊理论与最小二乘支持向量机相结合的模糊最小二乘支持向量机(Fuzzy Least Squares Support Vector Machines,FLS-SVM)对图像边缘进行检测。结果证明,该算法可以很好的提取图像边缘信息,是一种很有实用价值的图像处理算法。
图像分割时,传统分类方法直接在图像上操作,会出现的数据高维特性表现差,分类效果差等问题,提出将最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)应用于图像分割,并利用粒子群算法对其参数进行优化。通过对经典的二分类与多分类问题的测试及彩色实物图像分割实验,结果表明,LS-SVM能综合使用图像多种特征,能够准确实现对图像感兴趣区域的分割,且分割速度比一般的支持向量机提高很多。
