基于模糊支持向量机的图像分类方法
使用机器学习算法进行图像分类
使用机器学习算法进行图像分类随着计算机视觉和机器学习的快速发展，图像分类已经成为其中一个重要的应用领域。
图像分类任务旨在将输入的图像归类到预定义的类别中。
这种技术对于自动驾驶、人脸识别、医学影像分析等领域有着广泛的应用。
在本文中，我将介绍一些常用的机器学习算法以及它们在图像分类中的应用。
1.支持向量机（Support Vector Machines，SVM）：SVM是一种二分类模型，但可以通过多个SVM模型来实现多类别的图像分类。
SVM的基本思想是找到一个最优的超平面，使得图像样本点在特征空间中能够被最大程度地分离出来。
SVM在图像分类中具有良好的泛化能力和鲁棒性，尤其适用于特征空间高维、样本量小的情况。
2.卷积神经网络（Convolutional Neural Networks，CNN）：CNN 是一种深度学习模型，在图像分类中具有很高的准确性和效率。
CNN的关键是通过多层卷积、池化和全连接层来提取图像的局部特征和全局特征，并将其映射到最终的分类结果上。
CNN模型通常具有很好的参数共享性和抽象表示能力，可以处理大规模的图像数据集。
3.决策树（Decision Tree）：决策树是一种基于树状结构的分类模型。
它通过一系列的决策规则来将图像分到不同的类别中。
决策树具有易于理解、可解释性强的特点，对于小规模的图像分类任务效果较好。
然而，当决策树的深度过大或者数据集过大时，容易出现过拟合的问题。
4.随机森林（Random Forest）：随机森林是一种集成学习的算法，它由多个决策树构成。
随机森林通过对每个决策树的预测结果进行投票，来确定最终的分类结果。
随机森林具有较好的鲁棒性和泛化能力，对于大规模的图像分类任务效果较好。
除了上述几种常用的机器学习算法，还有一些其他的算法也可以用于图像分类任务，包括朴素贝叶斯分类器、k近邻算法等。
这些算法的选择取决于数据集的特点、算法的性能要求和应用场景的实际需求。
在实际应用中，进行图像分类通常需要以下几个步骤：1.数据准备：首先需要收集和准备用于训练和测试的图像数据集。
基于支持向量机的室内室外图像分类方法
的准确率 ， 因此特征提取的方法 很重要 。对 图像 分类
的过 程 如 图 ２所 示 ， 中特 征 提 取 包 含 两 个 方 面 ， 其 具 体 说 明如 下 ：
Ｉ
输 入
斯性 、 自相似性 和尺度 无关 性 的特 点 ， 而人 造 物体 的 边缘线基本上都是平 滑的 ， 而且 形状基 本上都是 有一 定规则的几何形 状 ， 比如说 直线 形 、 圆形 等。可参 看
关键词 ：支持 向量机 ； 特征 ； 直线度 ； 圆形度 中图分类 号 ： Ｐ３ １ Ｔ ９ 文献 标识码 ： Ａ 文章编号 ： ６ ２１５ （ ００ ０ － ０ －５ １７ ．９０ ２ １ ）３０ １ ０ ０
室 内室外 图像进行 分类 。文 献 ［ ］ ６ 利用 图像 的颜 ４ ［］ 色 和纹理特征进行分类 。文献 ［ ］ ５ 在分类 时不仅 提取 了颜 色和纹理特征 ， 而且还 提取 边缘方 向柱 状图 的特
第 ９卷 第 ３期
２１ ０ ０年 ９ 月
广 东 轻 工 职 业 技 术 学 院 学 报
Ｊ ＯＵ ＲＮ ＡＬ ＯＦ ＧＵＡＮ ＧＤ ０ＮＧ ＮＤ ＵＳＴＲＹ Ｉ ＴＥＣＨＮＩ ＣＡＬ Ｃ０ＬＬＥＧＥ
Ｖｏ ． １９
ＮＯ． ３
Ｓｅ ｐｔ
２ ０ Ｏ１
基 于 支 持 向量 机 的室 内室 外 图像 分 类 方法
分 形 结 构 的 自然 物 体 。本 文 的 方 法 是 利 用 这 个 差 异 性 和 图像 的颜 色作 为 出发 点 ， 用 支持 使 向 量机 （ Ｖ 作 为 分 类 器依 据 图像 的 边缘 和 颜 色矩 特征 对 图像 进 行 分 类 。 实验 结 果 表 明 此 Ｓ Ｍ） 方 法对室 内、 外图像分类 可以获得较 高的准确率 。 室
基于支持向量机语义分类的两种图像检索方法
收 稿 日期 ： ０ ９０ — ０ ２ ０ — ９１
降低 分类 的难 度 ， 在每一 级分 类 时 ， 采取 贝 叶斯分类 的
方法 ． 们假设 图像类 别 是 固 定 的 而且 每 类 图像 的先 他
基 于 支 持 向 量 机 语 义 分 类 的 两 种 图像 检 索 方 法
廖绮 绮 ， 李翠 华
（ ｆ大 学 信 息 科 学 与 技 术 学 院 ， 建 厦 ｆ ６ ０ ５ 厦 － １ 福 －３ １０ ） １
摘 要 ：为了更好 的解决 基于内容的 图像检 索 问题 ， 出 了 ２种 基 于语 义的 图像检 索 方法． １种 是基 于支持 向量 机 提 第
基于支持向量机的图像分类
维普资讯
第 ２期
张 瑜 慧 等 ：基 于 支 持 向 量 机 的 图像 分 类
ｂ 一 厂 ， 口 Ｋ （ ｌ． ） ｘ， ｊ． ｒ
１ １ 非 线 性 支 持 向量 机 ．
设 已知 训练 集 丁一 ｛ｚ ， ， ，ｚ ， ｝ （ Ｙ ） … （ Ｙ ） ，其 中 ｚ ∈Ｒ ， ｛ １ １ ， Ｙ∈ 一 ， ｝ 一１ … ， ， 月维 欧 ， 月 Ｒ 为
氏空 间．选择适 当的核 函数 Ｋ（ ） ， ，构 造并求 解 最优化 问题 ：
４ ３
（） ２
最 后 ， 造 决策 函数 构
（） ｓ （ 一 ｇ ｎ
１ ２ 核 函 数 和 支 持 向量 ．
０Ｙ ， ＋ｂ ） ＇ ， ） ． ｉ Ｋ（
Ｖ ｏ ．１ ｏ． １ ０Ｎ ２
Ｍ ａ ０７ ｙ ２０
基 于 支 持 向 量 机 的 图 像 分 类
张瑜 慧 ，胡 学 龙 ¨ ，陈 琳
（ ．扬 州大 学 信 息 工 程 学 院 ，江 苏 扬 州 ２ ５ ０ ；２ １ ２ ０ ９ ．宿 迁 学 院 计 算 机 科 学 系 ．江 苏 宿 迁 ２３ ０ ； ２ ８ ０ ３ ．苏 州 大 学 江 苏 省 计 算 机 信 息 处 理 技 术 重 点 实 验 室 ．江 苏 苏 州 ２ ５ ０ ； １ ０ ６ ４ ．上 海 电 力 学 院 计 算 机 与 信 息 工 程 学 院 ，上海 ２ ０ ９ ） ０ ０ ０
算表 达式 为
收 稿 日期 ： ０ ７一Ｏ —１ ２０ １ ９
基金项 目： 苏省计算机信息处理技术实验室开放研究课题 （ Ｓ １２） 江 ＫＪ ０ ０ ３ ；扬 州 大学 科 研基 金 资 助项 目 （３ Ｏ Ｏ ８ ；扬 州 大 学 信 ０１Ｏ６）
基于svm多分类的超分辨图像细粒度分类方法
采用 Atanassov 扩展方法对超分辨图像进行融合滤
波，图像融合滤波
c
c
c
∑ ∑ ∑ Iswk(1,j) Iswk(2,j)
Iswk(i, j)
Pr =( j=1 c
, j=1 c
, ..., j = 1 c
)
（6）
其中
N
∑ IGSM = (h(giCi + Vi|si) - h(Vi))
（7）
文章编号：1673-2928（2020）02-0051-04
0 引言 采用超分辨成像技术进行图像成像，能够有
效提高图像的输出分辨能力。在超分辨图像检索 过程中，需要进行超分辨图像细粒度分类优化处 理，构建超分辨图像细粒度融合模型，结合人工智 能方法进行图像的优化分类，提高超分辨图像细 粒度的检索和信息提取能力。研究超分辨图像细 粒度分类方法，在图像数据库构建和优化检索中 具有很好的应用价值[1]。
1 超分辨图像融合滤波和细粒度特征提取
1.1 超分辨图像融合滤波
为实现基于 SVM 多分类的超分辨图像细粒度
分类，提高超分辨图像细粒度可识别性，首先对采
集的超分辨图像进行融合滤波处理，实现图像的
预处理。假设待分类的模糊超分辨图像为 F ，相
似性较高的图像背景分量为 GF ，根据两幅图像的 内容相似度进行特征匹配，对 GF 进行模板融合处
基于 SVM 多分类的超分辨图像细粒度分类方法
连和谬 （闽南理工学院 实践教学中心，福建 石狮 362700）
摘 要：为提高超分辨图像的检索和识别能力，需要对图像细粒度进行分类处理，提出基于支持向量机（Support Vec⁃ tor Machine，SVM）多分类的超分辨图像细粒度分类算法。采用融合滤波方法处理，实现图像预处理，考虑超分辨率图像具
基于模糊支持向量机的面向语义图像检索算法
Ｓ ｍａ ｔｃ ｂ ｓ ｄ ｉ ｇ ｅｒｅ ａ ｌ ｏ ｉ ｍ ｓｎ ｕ ｚ ｕ ｐ ｒ ｅ ｔ ｒｍａ ｈ ｎ ｅ ｎ ｉ — ａ ｅ ｍａ ｅ ｒ ｔｉ ｖ ｌａ ｇ ｒｔ ｈ ｕ ｉ ｇ ｆ ｚ ｙ ｓ ｐ ｏ ｔｖ ｃ ｏ ｃ ｉ ｅ
Ｈ Ａ Ｇ Ｗｅ —ｕ Ｑ ＮＴ ａ— ， Ａ Ｇ Ｚ ｅ —ｕ Ｕ Ｎ ｎｙ ， Ｉ ｕｎｆ Ｔ Ｎ ｈｎｈ ａ ａ
ｔ ｒ ｓｏ ｍａ ｅ ｎ ｎ ｒ ｄ ｃ ｎ ｈｅ ｍｉ — ｍ ｂ ｒｈｉ—ｕ ｃ ｉｎ ｆ ｚ ｕ ｏ ｖ ｃ ｏ ｃ ｉ ｅ ｉｔ ｍａ ｅ ｒ ｔ ｅ ａ ， ｏ ｔｉ ｅ ｈ ｕ ｅ ｆｉ ｇ ｓａ ｄ ｉｔｏ ｕ ｉ ｇ ｔ ｎ ｍｅ ｅ ｓ ｐ ｆ ｎ ｔｏ ｕｚｙ ｓ ｐｐ ￣ ｅ ｔｒ ｍａ ｈ ｎ ｎ ｏ ｉ ｇ ｅｒ ｖ ｌ ｉ ｂａ ｎ ｄ ｔｅ
第 ２ 卷 第 ５期 ８
２】１年 ５月 【 Ｉ
计 算 机 应 用 研 究
Ａｐ ｌ ａｉｎ Ｒｅｅ ｒｈｏ ｍｐ ｔｒ ｐｉ ｔ ｓ ａｃ ｆＣｏ ｕ ｅｓ ｃ ｏ
Ｖ０ ． ８ Ｎ０ ５ １２ ． Ｍａ ０ １ ｖ２ １
基 于 模 糊 支 持 向量 机 的 面 向 语 义 图 像 检 索 算 法 书
关键 词 ：面向语 义的 图像检 索 ；模糊 支持 向量机 ；最 小隶属度 ；不可分 区域
中图分类 号 ：Ｔ ３ １ Ｐ ９
文 献标 志码 ：Ａ
文 章编 号 ：１ ０ — ６ ５ ２ １ ） ５ １８ —４ ０ １ ３ ９ （ ０ １ ０ — ９ ７ ０
ｄｉ１ ． ９ ９ ｊｉ ｎ １０ —６ ５ ２ １ ．５ Ｏ １ ｏ ： ０ ３ ６ ／ ．ｓ ． ０ １ ３ ９ ． ０ １ ０ ． １ ２ ｓ
集成模糊LSA与MIL的图像分类算法
集成模糊LSA与MIL的图像分类算法李大湘;彭进业;李展【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2010(022)010【摘要】针对自然图像的分类问题,提出一种基于模糊潜在语义分析(LSA)与直推式支持向量机(TSVM)相结合的半监督多示例学习(MIL)算法.该算法将图像当作多示例包,分割区域的底层视觉特征当作包中的示例.为了将MIL问题转化成单示例问题进行求解,首先利用K-Means方法对训练包中所有的示例进行聚类,建立"视觉词汇表";然后根据"视觉字"与示例之间的距离定义模糊隶属度函数,建立模糊"词-文档"矩阵,再采用LSA方法获得多示例包(图像)的模糊潜在语义模型,并通过该模型将每个多示例包转化成单个样本;采用半监督的TSVM训练分类器,以利用未标注图像来提高分类精度.基于Corel图像库的对比实验结果表明,与传统的LSA方法相比,模糊LSA的分类准确率提高了5. 6%,且性能优于其他分类方法.【总页数】8页(P1796-1802,1809)【作者】李大湘;彭进业;李展【作者单位】西北大学信息科学与技术学院,西安,710069;西北大学信息科学与技术学院,西安,710069;西北工业大学电子信息学院,西安,710072;西北大学信息科学与技术学院,西安,710069【正文语种】中文【中图分类】TP391【相关文献】1.一种基于核的模糊多球分类算法及其集成 [J], 顾磊;吴慧中;肖亮2.一种新的模糊多球分类算法及其集成方法 [J], 顾磊;吴慧中;肖亮3.基于分层MRF模型的POLSAR图像分类算法 [J], 张斌;马国锐;林立宇;梅天灿;秦前清4.基于集成学习的风云四号遥感图像云相态分类算法 [J], 高军; 陈建; 田晓宇5.基于集成迁移学习的细粒度图像分类算法 [J], 吴建; 许镜; 丁韬因版权原因，仅展示原文概要，查看原文内容请购买。
基于支持向量机的图像识别算法研究
基于支持向量机的图像识别算法研究第一章介绍随着科技的发展，计算机视觉技术开始成为人工智能领域的热门研究方向。
而图像识别技术——通过对输入图片进行分析和处理，辨认出图像中的对象——则是计算机视觉技术应用的重要技术之一。
在各种图像识别技术中，支持向量机算法（Support Vector Machine, SVM）因为其优秀的分类性能和可扩展性，已经成为了一种常见的分类算法之一。
本文将探讨基于支持向量机的图像识别算法。
第二章支持向量机SVM 是一种分类算法，它寻找一个超平面（超平面是 n-1 维的），将数据分为不同的类别。
对于二分类问题，SVM通过构建最优超平面将数据分为两部分，从而达到分类的目的。
但在实际操作中，数据很可能不是线性可分的。
为了解决这个问题，SVM 使用了核函数。
核函数来自于将非线性问题转化为线性问题的技巧。
常用的核函数有线性、多项式和径向基等。
第三章 SVM 的应用支持向量机算法是一种被广泛使用且准确率高的分类算法，因此在图像分类和识别领域也广受欢迎。
在图像分类问题中，SVM 可以通过对样本之间的距离进行映射（即特征提取），以提高图像分类的准确性。
常用的特征提取方法有 SIFT, HOG 和 LBP 等。
还可以将 SVM 与深度学习相结合，构建深度支持向量机（Deep Support Vector Machine, DSVM）用于图像分类问题。
第四章 SVM 在物体识别中的应用支持向量机在目标检测和物体识别中也有广泛的应用。
在物体识别中，SVM 可以通过将物体的视觉特征与已知的物体类别进行匹配，以确定物体的类别。
常见的视觉特征包括颜色、形状和纹理等。
由于 SVM 在处理高维空间数据方面的优势，也被广泛应用于目标跟踪中。
第五章 SVM 图像分类的案例研究为了更好地理解 SVM 在图像分类中的应用，下面介绍一个基于 SVM 的图像分类的案例。
我们以 CIFAR-10 数据库为例，该数据库包括 10 种不同类别的图像（如飞机、汽车、鸟类等）。
一种基于支持向量机和主成分分析的多光谱图像的分类方法
天
津
理
工
大
学
学
报
Ｖｏ． ４ Ｎｏ ６ １２ ．
Ｄｅ ２ ８ ｃ． ｏ０
Ｊ ｏＵＲＮＡＬ ＡＮ Ｉ ＵＮＩ ｏＦ ＴＩ Ｊ Ｎ ＶＥｌ Ｔ ｏＦ ＴＥＣＨＮｏＬｏＧＹ Ｉ Ｙ
文 章 编 号 ：６ ３ ０ ５ ２０ ）６ ０５ —４ １７ — ９ Ｘ（０ ８ ０ —０ ５ ０
度上解 决 了模 型选 择 与过 学 习 问题 、 线 性 和维 数 非
１ 主成 分 分 析
主 成 分 分 析 （ ｒ ｃ ａ Ｃ ｍ ｏ ｅｔ Ａ ａ ｓ ， Ｐｉ ｉ ｌ ｏ ｐ ｎｎ ｎ ｌ ｉ ｎｐ ｙｓ
Ｐ Ａ） Ｃ 属于 多元统计 分析 ， 主要具有 以下优点 ： 它 １ 将多 维光 谱 信息 转 换成 少 数 几 个 主成 分 ， ） 这 几个 包含 了大多数 的图像信 息 ， 提高 了分类效 率． ２ 主成 分分 析 作 为一 种 正交 变 换 ， 以减 少 或 ） 可 消 除多波段 或 多 时相 之 间的 相关 性 对类 问 的影 响 ， 从 而提 高分类精 度． ３ 主成份 分 析使 样 本数 据 协方 差 矩 阵 不相 关 ， ） 把数据集 分解 成 不 相关 的和 正 交 的组 成成 分 集 ， 每
多 光谱数据 分析处理 的一 个基 本 内容是 地 物 目
练 时的干扰 ， 而提 高了算法 的分类精 度 从
标分类 ， 同时也是 图像分 析 中重 要 的一 步． 它是 人们
从遥感 影像 上提 取 有 用信 息 的重 要 途 径 之一 ． 基 而
于学 习的传统 的分 类方 法 ， 贝叶斯 方 法 和神 经 网 如 络方法 都是 以经 验 风 险最 小 化 为原 则 ， 易 出现 欠 容 学 习和过学 习的 情况 … ． Ｖ 是建 立 在统 计 学 习理 ＳＭ 论的 Ｖ Ｃ维和结构 风 险最小 化 的原 理 的基 础 上 的 是一种 专 门针对 有 限样 本 情 况 的分 类 器 ， 很 大程 在
基于SVM的图像分类算法研究
基于SVM的图像分类算法研究随着互联网与信息技术的发展，图像处理技术成为了人们日常生活中不可或缺的一部分。
而图像分类算法是图像处理中最为常见的应用之一，也是图像识别与图像搜索的基础。
本文将着重探讨基于支持向量机（Support Vector Machine，SVM）的图像分类算法的研究。
一、SVM算法简介SVM是一种分类算法，它可以将数据分成两类，也可以应用于多分类任务。
该算法旨在寻找一个超平面，将不同的数据点分成两类。
其中，距离超平面最近的数据点被称为支持向量。
SVM算法的思想是将数据映射到高维空间，使得数据可以被超平面准确地分成两类。
SVM算法最初被应用于二分类问题，但是在处理多分类问题时，有多种方法可以将SVM算法扩展到多类别情况。
其中较为常见的方法是一对一（one-vs-one）和一对其余（one-vs-rest）方法。
二、基于SVM的图像分类算法在图像处理领域，SVM算法被广泛应用于图像分类任务。
图像分类是指将一张图像分成多个类别，一张图像只能归入其中一个类别。
例如，可以将图像划分为动物、植物、风景等类别。
SVM算法可以通过图像的像素值等特征进行学习，并将图像分成相应的类别。
设有n张图像，每张图像包含p个像素，那么可以将每张图像表示为一个p维向量，向量中包含每个像素点的灰度值或RGB值。
这些向量被视为点集，并被映射到高维空间中。
在高维空间中，通过求解最大间隔超平面，可以将数据点分成多个类别。
在实际应用中，常使用sift、hog等特征提取方法来提取图像特征。
例如，在图像分类任务中，可以使用sift算法提取出每个图像的sift特征向量，然后对这些特征进行SVM训练，将图像分成不同的类别。
同样地，也可以使用hog算法提取图像特征，并进行分类任务。
三、SVM的优缺点SVM算法的优势在于具有较高的分类精度和较好的泛化能力，可以处理高维数据和线性和非线性分类问题。
此外，SVM算法还集成了特征选择和数据压缩功能，有效减少了数据处理和存储的复杂度。
模糊支持向量机
模糊支持向量机
❖FSVM与区域增长结合的图像分割
作为一种全局处理方法，模糊支持向量机图 像分割方法不能完成对图像进行精细分割，其分 割结果需要其他分割方法进一步处理。一种结合 模糊支持向量机和区域生长的交互式分割方法， 不仅可有效剔除与感兴趣区域特征类似的非目标 区域，而且把为FSVM选择训练样本和为区域生 长选择种子点两个步骤合二为一，从而提高了图 像分割质量和交互式分割方法的自动分割能力。
支持向量机理论基础
线性判别函数和判别面
❖一个线性判别函数(discriminant function)是 指由x的各个分量的线性组合而成的函数
g(x)wTxw0
❖两类情况:对于两类问题的决策规则为
❖ 如果g(x)>0，则判定x属于C1， ❖ 如果g(x)<0，则判定x属于C2， ❖ 如果g(x)=0，则可以将x任意
分到某一类或者拒绝判定。
支持向量机理论基础
线性判别函数
❖ 下图表示一个简单的线性分类器，具有d个输入的单元，每个对应一个输入 向量在各维上的分量值。该图类似于一个神经元。
g(x)wTxw0
支持向量机理论基来定。面，它把归类于C1的 ❖ 当 g(x) 是 线 性 函 数 时 ， 这 个 平 面 被 称 为 “ 超 平
❖ ② 对特征空间划分的最优超平面是SVM的目标,最大化分类边 际的思想是SVM方法的核心；
❖ ③ 支持向量是SVM的训练结果,在SVM分类决策中起决定作用 的是支持向量。
❖ SVM 是一种有坚实理论基础的新颖的小样本学习方法。它 基本上不涉及概率测度及大数定律等,因此不同于现有的统 计方法。从本质上看,它避开了从归纳到演绎的传统过程,实 现了高效的从训练样本到预报样本的“转导推 理”(transductive inference) ,大大简化了通常的分类和 回归等问题。
支持向量机在图像分类中的应用
支持向量机在图像分类中的应用支持向量机（Support Vector Machine, SVM）是一种强大的机器学习算法，它在图像分类中具有广泛的应用。
本文将探讨SVM在图像分类中的应用，从特征提取、SVM模型、参数调优等方面进行阐述。
一、特征提取在图像分类中，特征提取是至关重要的一步。
传统的特征提取方法主要有SIFT、HOG等，但这些方法在高维度特征空间中的分类效果较差。
因此，近年来，基于深度学习的特征提取方法得到了广泛应用。
深度学习的特征提取方法主要有卷积神经网络（CNN）和循环神经网络（RNN）。
其中，CNN是一种基于局部感受野的特征提取方法，能够利用图像中的空间局部信息，提取较高层次的语义特征。
RNN则可以捕捉图像序列信息，适用于视频分类。
在使用SVM进行图像分类时，我们一般使用一些经过预训练的CNN模型，例如VGG、ResNet等。
这些模型在大规模图像数据集上训练得到了高效而稳定的特征提取能力，并且能够有效地提取不同尺度、不同角度、不同光照条件下的图像特征。
选择合适的CNN模型能够有效地提高SVM分类的准确率和效率。
二、SVM模型SVM是一种二分类的模型，它的目标是找到一个将两个类别分开的最优超平面。
基本的SVM模型可以表示为：$$ \min\limits_{\omega,b} \frac{1}{2}\omega^T\omega $$$$ s.t. y_i (\omega^Tx_i+b) \geq 1 $$其中，$\omega$表示超平面的法向量，$b$为超平面的截距，$y_i$为样本的标签（$y_i \in \{-1,1\}$），$x_i$为样本的特征向量。
在进行多分类问题时，我们可以使用一对多（One-vs-All）的方式，将问题转化为多个二分类问题。
即对于$k$个类别，我们训练$k$个二分类器，每个二分类器将当前类别作为正例，其余类别作为负例。
测试时，选择最高分的分类器的结果作为最终分类结果。
模糊支持张量机图像分类算法及其应用
Ｓ ｐｏｔ ｅｓｒＭ ｃ ｉ Ｆ Ｔ ｕ ｐｒ Ｔ ｎｏ ａｈｎ ｅ（ Ｓ Ｍ）ｂｓｄｏ ｎｏ ｔｅｒ ａｄｆｚｙｓｐ ｏｔ ｅｔｒ ａｈｎ ａ ｒｐｓｄ ｈｓａ ｏ ｔｍ ｔｏ ａｅ ｎｔ ｓｒ ｈｏｙ ｎ ｚ ｕ ｐｒ ｖｃ ｃｉｅｗ ｓｐｏｏｅ．Ｔ ｉ ｌ ｒｈ ｋ ｅ ｕ ｏｍ ｇｉ ｏ
（ 江南大学 物联 网工程学院， 江苏 无锡 ２４ ２ ） １ １２ （ 通信作者电子邮箱 ｘ ｇｉ０ ＠ｈ ｔａｌｃｎ） ｉ ｄ０ ８ ｏｍ ｉ ｏ ｎ ．
摘
要： 针对在 小样本 图像 分 类应 用 中， 以向量空间作 为输入 的传 统分类算 法的不足 ， 出以张量理论为基础 ， 提
结合模糊 支持 向量机思 想的基 于张量图像 样本的模 糊支持张量机 分类器 ， 利用张量表 示 图像样本 ， 求解最优张量 面。 通过手 写体数 字图像样本 实验仿真 ， 验证该算法的性能 ， 随后 将其应 用到羽绒菱 节图像 识别 中进 行对 比， 该算 法较传 统算 法平 均高 出６ ３ 以上 的识 别率。实验 证明该算法更适合应 用于图像样本分 类识 别。 ．％
基于支持向量机的脑部MR图像细分类
好地 解 决 小 样 本 、非 线 性 、高 维 数 和 局 部 极 小 点 等 实 际 问题 ，与 传 统 分类 方法 相 比，有 理 论 坚 实 、泛
化性 能好 等 优 点 ， 已在 模 式 识 别 领 域 得 到 广 泛 的应 用 。其 基 本 思 想 是 构造 一个 不 同类 别 之 问分 类 空 隙
摘要 ｔ本 文 提 出了基 于 支持 向量机 的脑 部 ＭＲ 图像 细分类 器 ，采 用 纹理 与形 状特 征 相 结合方 式 表达 图像 ，应 用 ＳＡ Ｍｉｅ 法对特 征 进行 选择 和计 算特 征加 权系 数 ，最后 用支 持 向量机 理论 设计 分类 器对脑 部 图像进 行精 细分类 。 ｔＲ ｎｒ算
的大 型 图像 数 据 库 及 高 效 的 检 索 系 统 的 关 键 技 术 。
目前 ，医 学 图像 分 类 研 究 集 中在 对 图像 按 人 体 不 同部 位 进 行 分 类 ，检 索 时仅 在 与待 检 索 图像 部 位
相 同 的类 别 图像 空 间 找 ，从 而 缩 减 检 索 空 问 。如 在 文 献 【］ Ｈ ｙｔ ｒｅ ｓａ ２ 中 ａ ｉＧ ｅ ｎｐ ｎ用 高斯 混 合 模 型 与 Ｋ Ｌ距
第 １卷 第 １ ５ 期
２１ 年 ２月 ００
文 章 编号 ： １ ０ － ２ ９（ ０ ０ ０ — ０ ５ ０ ０ ７ ０ ４ ２ １ ） １０ ０ ． ５
电路 与系 统 学报
Ｊ ＵＲＮ ＡＬ Ｆ ＣＩ ０ ｏ ＲＣＵ Ｉ Ａ ＮＤ ＳＴＥＭ Ｓ ＴＳ ＳＹ
Ｖｏ ．５ １ １
中 图分类号 。Ｔ ３ １ Ｐ ９
文献 标识 码 ：Ａ
１
引 言
医 院 数 字 化 设 备 的 引入 使 得 医 学影 像 数据 量 日益 庞 大 ， 医 学 图像 作 为 医生 临 床 诊 断 、病 情 跟 踪 、
模糊支持向量机
模糊隶属度函数
通过定义隶属度函数，将每个 数据点属于某个类别的程度进 行量化，从而在分类过程中考
虑了数据的模糊性。
模糊参数调整
根据实际问题和数据特性，调 整模糊参数，以获得最佳的分
类效果。
确定隶属度函数
线性函数
对于线性可分的数据集，可以选择线性函数作为隶属度函数，使 得计算相对简单。
高斯函数
对于非线性可分的数据集，可以选择高斯函数作为隶属度函数， 以更好地描述数据的分布特性。
糊性。
模糊隶属度
模糊隶属度是用来描述元素属于某 个模糊集合的程度，它是一个介于 0和1之间的实数。
模糊逻辑运算
模糊逻辑运算是对传统逻辑运算的 扩展，它包括与、或、非等基本逻 辑运算，以及更复杂的复合运算。
支持向量机理论基础
二分类问题
支持向量机是一种用于解决二分 类问题的机器学习算法，它通过 找到一个超平面将不同类别的样 本分开。
模糊支持向量机
模糊支持向量机通过引入模糊逻辑的概念，对支持向量机 进行改进，以处理不确定性和噪声数据。
比较
与神经网络算法相比，模糊支持向量机具有更强的泛化能力， 并且训练时间更短。此外，模糊支持向量机还具有更好的可解
释性，能够提供更清晰的决策规则。
与贝叶斯分类器的比较
贝叶斯分类器
贝叶斯分类器是一种基于概率的 分类方法，通过计算每个类别的 条件概率来做出决策。
网络安全
在网络入侵检测中，模糊支持向量机可以识别 异常流量和恶意行为。
故障诊断
在工业生产中，模糊支持向量机可用于检测设备故障和异常情况。
其他应用场景
1 2
多标签分类
在多标签分类问题中，模糊支持向量机可以同时 处理多个标签的分类任务。
基于支持向量机的遥感图像分类研究
ｎｋ的结 构 风 险 最 小 化 原 则 ， ｉ 由有 限训 练 样 本 得 到
的决 策规 则 对 独 立 的测 试 集 仍 能 够 得 到 较 小 的误
差 。Ｓ Ｍ算 法是 一个 凸二 次优 化 问题 ， Ｖ 能够 找 到 的
极 值解 就 是 全 局 最 优 解 。本 文研 究 了基 于 支 持 向量机 的遥 感 图像 分 类 ， 立 了 一种 基 于 支 持 向量 建 机 的遥 感 图像 分 类 模 型 ， 果 表 明 ， 分 类 器 具 有 结 该
然 后在这 个 新 的 高 维 特 征 空 问 中构 造 线 性 判 别 函 数 来实 现原 空 间中 的非 线 性 判 别 函数 ， 取 最 优 分 求 类 超平 面 ， 分类 超 平 面 不但 能 够 将 训 练样 本 尽 可 该 能 正确分 类 ， 而且 使 训 练样 本 中离 分 类 面最 近 的点 到 分类 面 的距 离最 大 ， 即分 类 间隔最 大 ］ 。 应用 Ｓ Ｍ 理 论对 线性 问题分 析 评估 时 ， Ｖ 设给 定
分 ， 超平 面记 为 ： ・ ＋Ｗ 该 Ｗ 。＝０。其 中 为权 向 量 ， ０ 阈值 。其 中一类 ０ Ｗ为 ９ Ｙ ＝＋１ 另一 类 ∞ ，中 ， ２
中 Ｙ ＝ 一１ 这个 超平 面方 程 为 ： ， Ｙ （ ・ ＋Ｗ ）一１≥ ０ Ｗ ｏ 。
能 、 习效率 高 、 广性 好 等 优点 ｜ 。它 根 据 Ｖ ｐ 学 推 ２ ｊ ａ—
在高维特征空间 中寻找最优分类超平面 ， 从而解决复杂 数据 的分 类及 回 归问题 。将支持 向量机 理论应用 到遥感 图像分 类的 研究还处 在初级 阶段 ， 统分 类算法应用 于遥感 图像分类存在运算速度慢 、 传 精度 比较低和难 以收敛 等问题 。从支持 向量机基 本理论 出发 ， 建立 了一个基于 支持 向量机 的遥感 图像 分类器。用遥感 图像数据进 行实验 ， 并将结果 与其 它方法的结果进行 了 比较分析 。实验 结果表 明 ， 利用 Ｓ Ｍ 进行遥感 图像分 类的精度 明显优于神经 网络算法和最大似然算法分类精度。 Ｖ 关键词 支持 向量机 遥感 图像分类 神经 网络 最大似然法
支持向量机算法在图像处理中的应用研究
支持向量机算法在图像处理中的应用研究随着数字技术的发展，图像处理已经成为许多领域必不可少的技术。
在图像处理中，如何有效地实现图像分类，一直是一个重要的研究方向。
支持向量机(Support Vector Machine，简称 SVM)是一种强大的模式识别方法，具有较高的分类精度和良好的泛化性能。
近年来，SVM算法在图像处理领域也得到广泛应用，取得了一定的研究成果。
本文将介绍SVM算法在图像处理中的应用研究，并探讨其实现方法及优势。
1. SVM算法简介SVM算法是一种特别适合于分类问题、以SVM为核心的机器学习算法。
它采用间隔最大化的策略，选取能够最大化类别间距离的最优分类超平面。
这种分类器具有较高的分类精度和泛化性能。
SVM的分类模型可以表示为：f(x) = sign(w*x + b)其中 w 和 b 分别为支持向量的权值和偏移量，x 为输入向量，f(x) 为预测值。
SVM算法的实现过程大致分为以下几步：(1) 数据预处理：对原始数据进行预处理，去掉噪声、缩放、归一化等。
(2) 特征提取：将图像转化成目标特征向量。
(3) 选择核函数：根据实际数据选择合适的核函数。
(4) 训练模型：根据样本数据训练SVM分类器模型。
(5) 预测：根据训练好的模型进行图像分类。
2. SVM算法在图像处理中的应用研究2.1 图像分类图像分类是指将图像分为不同的类别，是图像处理领域最基本的问题之一。
SVM算法可以用于解决不同类别的图像分类问题。
以人脸识别为例，要求将人脸图片按照人物进行分类。
首先需要对每幅人脸图像进行预处理和特征提取，然后使用SVM分类器进行分类，最终得到人脸图像的分类结果。
研究表明，使用SVM算法对车牌字符进行分类，分类准确率可以高达90%以上，远远超过了传统分类器的分类精度。
这说明SVM算法在图像分类中具有较高的分类精度和泛化性能。
2.2 目标检测目标检测是指在图像或视频中检测、定位目标的过程。
常见的目标检测，例如人脸、车辆检测，在多媒体信息处理、医学图像分析等领域中有着广泛的应用。
基于模糊支持向量机的超光谱遥感图像分类
１ 多类支持 向量机 的局 限性
多类 支持 向量 机通 常把 ｋ类 问题转 化 为多 个 ２ 类 问题来 解 决 ， ｌａｒＳ Ｍ 和 ｌａｌＳ Ｍ． 面介 如 －－ Ｖ －－ Ｖ 下
绍这 ２种 方法 的局 限性 ¨ ］ ．
基 于 模 糊 支 持 向 量 机 的 超 光 谱 遥 感 图 像 分 类
郭春 燕 ， 赵春晖
（ 尔滨工程 大学 信息与通信 工程 学院， 哈 黑龙江 哈 尔滨 １０ ０ ） ５０ １
摘
要： 支持 向量机 （ Ｖ 应用 到超光谱 图像 分类 中有较好 的识别效 果 ， 它在解决 多分类 问题 时 ， Ｓ Ｍ） 但 存在不 可
ａ ｅ ｃ ａ ｓｆｃ ｔ０ ｇ ｌ ｉ ａ ｉｎ ｓ ｉ
超 光谱 遥感 是 指利用 很 多很 窄 的电磁 波波 段从 感 兴趣 的物体 中获 取 有 关 的 数 据． 由于 它所 特 有 的
可分 区域 的 问 题 ． 有 的 Ｆ Ｖ 是 基 于 １ａｒＳ Ｍ 现 ＳＭ ．－ Ｖ
中 图分 类 号 ：Ｐ ５ Ｔ ７３ 文献标识码 ： Ａ
Ｈ ｙ ｅ ｓ ｅ ｔ ａ ｍ ａ ｅ ｃ ａ ｓｆｃ ｔｏ ａ ｅ ｎ ｐ ｒ ｐ ｃ ｒ ｌｉ ｇ ｌ ｓ ｉ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｉ ｆ ｚ ｙ ｓ ｐ ｏ ｔｖ ｃ ｏ ａ ｈ ｎ ｕ ｚ ｕ ｐ ｒ ｅ ｔ ｒｍ ｃ ｉｅ
Ａｂｔａ ｔ ｕ ｐ ｒ Ｖ ｃｏ ｃ ｉｅ（ Ｖ ｓｒｃ ：Ｓ ｐ ｏｔ ｅｔ Ｍａｈｎ Ｓ Ｍ）ｈｓａｇｏ ｅｔ ｃｔ ｎｅ ｅｔｎＨ Ｉ ｌ ｓ ｃｔ ｎ ｒ ａ ｏｄｉ ｎｉ ａｉ ｆ ｃ Ｓ ａ ｉ ａ ｏ ．Ｈｏ ｅｅ ，ｈ ｓ ｄ ｆ ｏ ｉ ｉ ｃｓｆ ｉ ｉ ｗ ｖｒ ｔｅｕ ・
监督学习算法在像分类中的实践案例有哪些
监督学习算法在像分类中的实践案例有哪些监督学习算法在图像分类中的实践案例有哪些在当今的数字时代，图像分类是一项至关重要的任务，它在众多领域都有着广泛的应用，如医疗诊断、自动驾驶、安防监控等。
监督学习算法作为一种有效的机器学习方法，在图像分类中发挥了重要作用。
接下来，让我们一起深入探讨一些监督学习算法在图像分类中的实践案例。
一、基于支持向量机（SVM）的图像分类支持向量机是一种经典的监督学习算法，它在图像分类中有着出色的表现。
例如，在医学图像分类中，SVM 可以用于区分正常组织和病变组织。
假设我们有一组胸部X 光图像，需要判断是否存在肺炎迹象。
首先，我们会对图像进行预处理，提取出相关的特征，如肺部的纹理、阴影的形状和大小等。
然后，将这些特征输入到 SVM 分类器中进行训练。
训练完成后，当新的 X 光图像输入时，SVM 能够根据之前学习到的模式，判断该图像是否属于肺炎类别。
在实际应用中，SVM 对于小样本数据集的分类效果较好，并且具有较强的泛化能力。
然而，它对于大规模数据集的处理可能会面临计算复杂度较高的问题。
二、决策树在图像分类中的应用决策树是一种直观且易于理解的监督学习算法。
以植物叶片图像分类为例，我们可以根据叶片的形状、颜色、纹理等特征构建决策树。
例如，首先判断叶片的形状是圆形还是椭圆形，如果是圆形，再进一步判断颜色是绿色还是黄色等等。
通过一系列的决策判断，最终确定叶片所属的植物类别。
决策树算法的优点是易于解释和可视化，但它容易出现过拟合的问题。
为了解决这个问题，通常会采用随机森林或梯度提升决策树等集成学习方法，将多个决策树组合起来，提高分类的准确性和稳定性。
三、朴素贝叶斯算法在图像分类中的实践朴素贝叶斯算法基于概率理论，假设各个特征之间相互独立。
在图像分类中，比如对风景图像的分类，我们可以将图像的颜色分布、纹理特征等视为独立的特征。
然后，根据这些特征在不同类别风景图像（如山脉、海滩、森林等）中的出现概率，来判断新输入的图像属于哪一类风景。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机与数字工程
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ＆ Ｄｉ ｇ ｉ ｔ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
Ｖｏ １ ． ４ １ Ｎｏ ． ４
６３ ８ห้องสมุดไป่ตู้
基 于 模 糊 支 持 向量 机 的 图像 分 类 方 法
曹建芳 焦 莉 娟
提高 。
关键词
模 糊支持 向量机 ；模糊隶属度 ； 特征提取 ；图像语义 ；图像分类
Ｔ Ｐ ３ ９ １ ． ４ １
中图 分 类 号
Ｉ ｍａ ｇ ｅ Ｃｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｆｕ ｚ ｚ ｙ Ｓ ｕ ｐ ｐ ｏ ｒ ｔ Ｖｅ ｃ ｔ ｏ ｒ Ｍａ ｃ ｈ ｉ ｎ ｅ
ｍａ ｃ ｈ ｉ ｎ ｅ ｉ ｓ ｐ ｒ ｏ ｐ ｏｓ ｅ ｄ ．Ｔｈ ｅ ａ ｌ ｇｏ ｒ ｉ ｔ ｈ ｍ ｍａ ｋ ｅ ｓ ｕ ｐ ｆ ｏ ｒ ｔ ｈ ｅ ｌ ａ ｃ ｋ ｏ ｆ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ １ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈｉ ｎｅ ｉ ｎ ｍｕ ｌ ｔ ｉ — ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｐ ｒ ｏｂ ｌ ｅ ｍｓ ａ ｎ ｄ ｓ ｏ ｌ ｖ ｅ ｓ ｔ ｈｅ
Ａｂｓ ｔ ｒ ａｃ ｔ Ｔｈｅ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎｔ ｏ ｆ ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎｉ ｃ ｔ ｅ ｃ ｈ ｎｏ ｌ ｏ ｇｙ ａ ｎ ｄ ｉ ｍａ ｇ ｉ ｎ ｇ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇｙ ｈａ ｓ ｒ ｅ ｓ ｕｌ ｔ ｅ ｄ ｉ ｎ ｔ ｈ ｅ ｒ ａ ｐ ｉ ｄ ｇｒ ｏ ｗｔ ｈ ｏ ｆ ｄ ｉ ｇ ｉ ｔ ａ ｌ ｉ ｍａ ｇ ｅ ｓ ．Ｉ ｔ ｈ ａ ｓ ｂ ｅ ｃ ｏ ｍｅ ａ ｎ ｕ ｒ ｇ ｅ ｎ ｔ ｐｒ ｏ ｂ ｌ ｅ ｍ ｔ ｏ ｒ ｅ ｌ ｙ ｏ ｎ ａ ｄ ｖ ａ ｎ ｃ ｅ ｄ ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ｔ ｏ ｉ ｄｅ ｎ ｔ ｉ ｆ ｙ ｉ ｍａ ｇ ｅ ｓ ．Ａｎ ｉ ｍａ ｇ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｆ ｕ ｚ ｚ ｙ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ
１ 引言
随 着 电子 技 术 和 冈 特 网 技 术 的 发 展 ， 以 及 近 年 来 数 码
的Ｖ Ｃ维理论和结构风险最小原理基础上， 根据有限样本信息
在模 型 复杂性 和 学 习能力 之 间寻 求最 佳折 中 ， 以期 获得 最 好 的
忻州 ０ ３ ４ ０ ０ ０ ） （ 忻州师范学院计算机科学与技术系
摘
要
电子技术 和成像技术 的发展导致数字图像迅速增长 ， 依靠先进的技术识 别和分类 海量 的图像数据正是 当前各行业急需解决 的
问题 。为此提出了一种基 于模糊支持 向量机的 图像分类方法 ， 通过定义模糊隶属度函数弥补 了传统 支持 向量机在 多分类问题 中的不足 ， 解 决 了图像 分类中的语义模糊 问题 。使用 Ｉ ｎ ｔ ｅ ｒ ｎ ｅ ｔ 上的六类 自然图像 进行测 试 ， 实验结果 表明 ， 与传统 的支持 向量机方法相 比， 分类 性能显著
ｐ ｒ ｏ ｂｌ ｅ ｍ ｏ ｆ ｓ ｅ ｍａ ｎ ｔ ｉ ｃ ａ ｍｂ ｉ ｇ ｕ ｉ ｔ ｙ ｉ ｎ ｉ ｍａ ｇｅ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｂ ｙ ｄ ｅ ｆ ｉ ｎｉ ｎｇ ｆ ｕ ｚ ｚ ｙ ｍｅ ｍｂｅ ｒ ｓ ｈｉ ｐ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ． Ｕｓ ｉ ｎ ｇ ６ ｔ ｙ ｐ ｅ ｓ ｏ ｆ ｎ ａ ｔ ｕｒ ａ ｌ ｉ ｍａ ｇ ｅ ｓ ｔ ｏ ｔ ｅ ｓ ｔ ，ｔ ｈ ｅ ｅ ｘ — ｐｅ ｒ ｉ ｍｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｐ ｅ ｒ ｆ ｏ ｒ ｍａ ｎｃ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｓ ｓ ｉ ｇ ｎ ｉ ｆ ｉ ｃ ａ ｎ ｔ ｌ ｙ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｗｉ ｔ ｈ ｔ ｈｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈ ｉ ｎ ｅ ｍｅ ｔ ｈ ｏ ｄ ． Ｋｅ ｙ Ｗｏ ｒ ｄｓ ｆ ｕ ｚ ｚ ｙ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈ ｉ ｎｅ ，ｆ ｕ ｚ ｚ ｙ ｍｅ ｍｂｅ ｒ ｓ ｈ ｉ ｐ ｆ ｕ ｎｃ ｔ ｉ ｏ ｎ，ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｅ ｘｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ，ｉ ｍａ ｇ ｅ ｓ ｅ ｍａ ｎｔ ｉ ｃ ｓ ，ｉ ｍａ ｇｅ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｃｌ ａ ｓ ｓ Ｎｕ ｍｂ ｅｒ ＴＰ３ ９ ］ ． ４ 】
ＣＡＯ Ｊ ｉ ａ ｎ ｆ ａ ｎ ｇ Ｊ Ｉ ＡＯ Ｌ ｉ ｊ ｕ ａ ｎ
（ Ｄｅ ｐ ａ ｒ ｔ ｍｅ ｎ ｔ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓｃ ｉ ｅ ｎｃ ｅ ａ ｎ ｄ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ，Ｘｉ ｎ ｚ ｈ ｏ ｕ Ｔｅ ａ ｃ ｈ ｅ ｒ ｓ ’Ｕｎｉ ｖｅ ｒ ｓ ｉ ｔ ｙ，Ｘｉ ｎ ｚ ｈ ｏ ｕ ０ ３ ４ ０ ０ ０ ）