以下文献是从IEEE Xplorer中搜索到的，给出中文题目以及摘要，配有英文题目以供检索，一共六篇
1、一种用于高光谱类图像分类的复合式半监督支持向量机
A Composite Semisupervised SVM for Classification of Hyperspectral Images
摘要：
本文展现了一种全新的半监督支持向量机，它用来对高光谱图像的频谱空间分类。其中，本文提出的技术利用了如下原理：1）通过未标签数据，增加了只有少量样本时训练阶段的可靠性；2）全新的核函数把空间和频谱信息都考虑进了图像之中。基于高光谱图像的实验揭示了本文所提到技术的有效性，实验结果较之基于单核的监督支持向量机和渐进式半监督支持向量机，再分类的准确度上都有了很明显的提高，准确度就像基于全新核函数的监督支持向量机。
2、用于语音识别的一种使用基于巴氏距离的高斯混合模型超向量作为支持向量机核函数
An SVM Kernel With GMM-Supervector Based on the Bhattacharyya Distance for Speaker Recognition
摘要：
高斯混合模型(GMM)和支持向量机已经成为上下文无关的语音识别领域的主流分类器。一种高斯混合模型-支持向量机以GMM参数的形式特征化了说话者的声音，这种特征化的参数包含了平均向量，协方差矩阵和混合权重。高斯混合模型超向量-支持向量机结合高斯混合模型和支持向量机框架的优势，以此达到最优的性能。高斯混合模型超向量-支持向量机分类器中常用的Kullback-Leibler核限制了高斯混合模型均值的变化范围，并假设协方差系数不变。本文中，我们介绍了基于巴氏距离的高斯混合模型-通用背景模型平均间隔（GUMI）。这就产生了一种新的支持向量机分类器的核。较之于KL核，这种新的核允许我们利用不仅来自均值同时还有协方差的信息。我们使用2006年美国国家标准与技术研究院（ NIST ）说话人识别评价（SRE）的数据集来演示新核的高效。
3、建立稀疏多核支持向量机分类器
Building Sparse Multiple-Kernel SVM Classifiers
摘要：
支持向量机技术已经成功地应用于各种机器学习的问题。然而，它们也会在测试中变慢，因为获得的可能是大量支持向量。最近，Wu等人在2005年提出了稀疏公式，限制了支持向量机使用小部分的扩展向量。本文中，我们通过整合多核学习(MKL)的技术来进一步拓展这个想法。在稀疏支持向量公式中的核函数不再需要固定，它能像一种核的线性混合来自动学习。同时提出了两种这样的稀疏多核分类器。第一种是基于给定基核的凸面混合，而第二种是对所谓的“同等”核的凸面混合。根据经验，第二种方法更具有竞争力。基于大量玩具和现实数据集的实验表明，这种分类的结果紧凑并且准确，也可以通过简单的线性规划和标准的支持向量机求解来训练。
4、半监督多时序分类器的遗传支持向量机方法
Genetic SVM Approach to Semisupervised Multitemporal Classification
摘要：
更新地图的分类，比如获得新图像，引起地面实时信息（训练样本）更新的问题。在这种环境中，半监督多时序分类器展现了一种有趣的但仍未很好综合的解决该问题的方法。本文，我们提出了一种全新基于以上方式的解决方案。它的基本思想是通过自动评价过程来更新地面实时信息，它利用了存档的地面实时信息就像从用户获得的基本提示，这些提示有关从一个需求日期过度到另一个的允许/禁止类。这种更新问题通过支持向量机分类器均值方式和受限制多目标优化遗传算法来设计的。本文报道并讨论了基于由两个多传感器（大地- 5专题成像仪和欧洲遥感卫星合成孔径雷达）图像组成的多时序数据集的实验结果。
5、多类和二元支持向量机分类器：对训练和分类器用户的影响
Multiclass and Binary SVM Classification: Implications for Training and Classification Users
摘要：
支持向量机在监督分类器分析方面很有潜力，但是它们的二元性质已经成为它在遥感应用的一种制约。这通常需要一个基于一对一或一对多策略的多级分析，从而产生一系列的二元分类。然而，这种二元支持向量机可以通过一次性的多类分类器来扩展，这需要一个单一的优化操作。本文，一种多光谱数据的一次性多类分类器的方法与基于二元支持向量机的五类集合分类器的方法进行了评价比较。一次性多类分类器的准确性（92%）高于基于一系列二元分类器的方法（89.22%和91.33%）。另外，一次性多类分类器支持向量机有着二元支持向量机所不具有的优势，特别是被优化的需要只有参数C和γ而不是五倍于一对多和十倍于一对一的方法，并且使用了更少的支持向量，大约是215对基于二元法的243和246。类似的趋势同样出现在更大的多维数据集的分析结果中。它也很明显，传统的一对多策略不能保证获得一个完整的混淆矩阵，这将极大限度的限制评估并更晚地使用从此方法中分离出来的一种分类器。
6、卫星图像中使用多目标模糊聚类结合支持向量机分类器的无监督像素分类器
摘要：
大量雷同区域卫星图像的无监督分类问题可以看作是一种聚类密集空间像素点的任务。本文提出一种全新的方法，该方法融合了近期提出的基于支持向量机分类器的多目标模糊聚类计划来提升解决方案。这种多目标技术首次应用于产生一个非支配解决方案集合。这个非支配集合随后被应用于使用一种模糊投票技术来搜索一些高置信度点。支持向量机的分类器最终通过这些高置信度点来训练。最终，剩余的点使用已训练过的分类器来分类。结果阐释了这种提出的技术的高效性，这种技术需要提供用特征向量描述的数字遥感数据。而且，两张Bombay和Calcutta城市的遥感监测图像已使用文中所提的技术进行分类，以此进行日后的实际应用。
以上翻译是人机结合的，我参考了google translation的译文，然后结合自己对原文的理解，进行翻译
