CNN结合SVM故障诊断

imagenet-caffe-alex.mat 用于matlab中CNN+SVM使用

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

近年来，面部识别技术已经成为模式识别领域中的热门话题。 人脸是人类最重要的生物特征之一，其中包含许多重要信息，例如身份，性别，年龄，表情，种族等。 年龄是身份歧视的重要参考，年龄估计可以潜在地应用于人机交互，计算机视觉和商业智能。 本文解决了准确估计人类年龄的问题。 年龄估计系统通常由年龄特征提取和特征分类组成。 在特征提取部分，Gabor小波和局部二值模式（LBP）等众所周知的纹理描述符已用于特征提取。 在我们的方法中，我们使用卷积神经网络（CNN）提取面部特征。 通过建立基于丰富训练数据的多级CNN模型来获得卷积激活特征。在特征分类部分，将不同年龄划分为13个组，并使用支持向量机（SVM）分类器进行分类。 实验结果表明，在使用我们的老化数据库时，该方法的性能优于以前的方法。

MATLAB包含43个源代码以及扫描版pdf、目录，神经网络、LSVM

传统的卷积神经网络是利用全连接层进行分类，svm对于小样本数据具有较强的分类效果，利用SVM代替卷积神经网络中的全连接层，可以提高网络识别精度

经典模型对应的python代码经典模型对应的python代码

试图将卷积神经网络的优势与支持向量机的稳定性相结合，利用训练好的卷积层与池化层提取图片的特征，放入支持向量机中进行训练，进行分类操作。其意义在于利用SVM来替换卷积网络中的全连接层，经实验验证，效果会提升2%-3%，这是一个很可观的提升，并且具备着广泛的意义，在各项其他环境下都能起到不错的效果。

用CNN提取图像特征，并用SVM进行图像分类，适合小数量级的图像分类，而且是入门机器学习不错的案例。