基于分数倒谱特征的应用型高校教师科研能力评价研究

为有效评价应用型高校教师科研能力，针对应用型高校科研特点，建立了一种包括科研申报、科研成果和指导学生科技创新的应用型高校教师科研能力评价指标，提出了一种教师科研能力分数域倒谱FC-ACTSRA特征，对二级单位1309名教师近三年科研数据进行分析发现，本方法提升了GA-SVM模型性能?当分数阶因子α＝0.4时，正确识别率可达96.76%，可作为教师科研能力年度考核依据。     

采用决策层融合的人脸语音识别技术

在信息融合的基础上提出采用基于决策层融合的多生物特征识别技术.对人脸图像采用基于主成分分析(PCA)与线性判别分析(LDA)结合的识别方法;对语音信息采用基于Mel倒频谱系数(MFCC)与混合高斯模型(GMM)的识别方法.将人脸识别子系统和语音识别子系统的输出结果作为决策层支持向量机(SVM)的输入,经过线性核函数SVM分类器融合后得到最终结果.该方法有效的提高了系统的识别率.     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于SVM的烟叶光谱分级

文中将基于统计学理论的支持向量机SVM（Support Vector Machine）与红外光谱分析技术结合,以50个烟叶样本作为实验材料,对两类烟叶进行分级。为了获得更好的定性分析结果并且简化网络输入维数,首先利用小波压缩对复杂光谱数据进行预处理。然后通过SVM建立烟叶分级模型。实验中采用高斯径向基函数（RBF）为核函数,根据SVM的不同输入量调整核参数建立最佳SVM模型,实验表明：对训练样本的正确识别率为100%,测试样本正确识别率为93.10%。     

用于车牌字符识别的SVM算法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法，此方法能够在训练样本很少的情况下达到很好的分类推广能力。本文应用SVM算法时车牌中的汉字字符进行识别，无字符特征提取提高了识别速度，并且可得到较高的识别率。实验讨论了SVM算法用于字符识别时，不同的核函数时识别率的影响。实验结果表明，用SVM算法进行车牌字符识别具有较高的识别率。     

基于混合核的PSO-SVM的L形天线谐振频率建模

人工神经网络进行建模时通常需要准备大量的数据样本,同时,网络结构一般都比较复杂;而采用支持向量机（SVM）进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,文中提出了一种基于粒子群优化（PSO）算法的新的SVM混合核函数,这种混合核函数是将局部核函数中的柯西核函数和全局核函数中的多项式核函数进行线性组合,且组合系数和各个核函数中的参数采用PSO算法来优化选取。采用UCI数据库中的wine-red数据集对该混合核函数进行了验证,仿真结果表明,该混合核函数可以提高模型的学习能力和泛化能力。最后,将基于混合核函数的PSO SVM方法用于L形微带天线谐振频率建模,进一步证明了这种方法是可行的和有效的。     

基于中文微博的产品评价分类算法

在中文微博产品评价分类算法中,由于常规SVM分类器在对少量标记数据的样本进行训练时,泛化能力无法满足要求,无法直接应用于微博文本的数据挖掘中,而传统的半监督TSVM算法的改造是通过对未标记数据增加惩罚函数完成的,这样会产生非凸函数优化问题。因此该文研究一种半监督高斯混合模型核的支持向量机分类算法。使用高斯混合模型对已标记和未标记数据进行训练,求取概率分布。最后通过一个对于i Phone手机的评价实例进行分析,验证了该文研究方法的优势。     

基于混合核函数的支持向量机在人脸识别中的应用研究

针对支持向量机中的核函数选择和参数优化问题进行研究,结合局部性函数和全局性核函数的特点,形成由高斯核函数和多项式核函数构成的混合核函数,并运用于人脸识别,仿真实验结果证明了混合核函数的具有较高的识别率。     

HMM-SVM混合模型在模拟电路故障诊断中的应用

针对单一的隐马尔科夫模型(HMM)或支持向量机(SVM)在模拟电路早期的软故障中识别率不高的特点,将HMM-SVM混合模型应用到模拟电路早期的软故障识别中。首先通过主成分分析(PCA)将原始数据样本降维实现初步划分;接着利用HMM计算测试样本与各故障状态的匹配程度形成特征向量;最后由SVM做故障状态判别。实验结果表明,HMM-SVM混合模型的早期故障识别率优于单一的HMM或SVM模型,将平均故障识别率提高到95%以上。     

基于粒子群优化支持向量机的语音情感识别

本文提出一种基于粒子群优化算法的支持向量机网络,并把它应用到语音情感识别系统中。依据情感的维度空间模型,研究分析情感语音数据的韵律特征与音质特征;利用粒子群优化算法(PSO)训练网络的超参数以优化支持向量机模型,可快速地实现网络的收敛;最后在实验中比较线性核函数SVM、径向基核函数SVM与粒子群优化径向基SVM分别用于语音情感识别的识别率,结果显示粒子群优化径向基核SVM模型用于语音情感识别能获得明显的识别性能的提升。     

混合核函数SVM在变压器状态评估中的应用

核函数是SVM(Support Vector Machine,支持向量机)的重要组成部分,核函数的选取对分类效果有明显的影响。该文把混合核函数引入到变压器状态评估中。实例分析表明,混合核函数支持向量机提高了状态评估的准确率。     

基于不变性特征的SVM遥感图像飞机类型识别

根据遥感图像飞机目标的特点,提出一种基于不变性特征的支持向量机(SVM)识别算法。首先结合小波分解进行平移、旋转、缩放不变性特征提取;然后对基于遗传算法(GA)的SVM模型参数选择方法在核函数的选择、搜索空间的确定等方面进行改进,并用改进后的算法实现SVM模型参数选择。对480幅遥感图像进行仿真实验,得到97.56%的正确识别率。与BP神经网络相比,识别率高,验证了算法的有效性。     

一种针对雷达高分辨距离像识别的融合核优化算法

本文提出一种针对雷达一维高分辨距离像(HRRP)的核函数优化算法.该算法基于对模-1距离高斯核和模-2距离高斯核的融合,结合两种核函数的不同特性,不仅优化了核函数,同时抑制了HRRP的闪烁效应.文中,基于雷达实测数据,我们将所提算法应用于核主分量分析(KPCA)的核函数优化中,然后采用支持矢量机(SVM)对提取的特征进行了分类.通过对实验结果比较与分析,我们证明该方法是有效的.     

基于Fisher判别和GKF-RELM算法的多特征步态模式识别

为提高下肢表面肌电信号步态识别的识别精度和计算效率,采用一种基于高斯核函数优化正则化超限学习机(GKF-RELM)算法,对肌电信号提取时域、频域和非线性动力学三类特征并分别计算步态识别率,运用Fisher判别函数分析所提特征的可分性,得到多类特征的融合特征作为输入数据对分类器进行训练,再用训练好的分类器进行步态识别,从识别率和计算时间两方面,分别与支持向量机(SVM)和深度神经网络(DNN)方法进行了对比分析.结果表明,基于Fisher判别可分性指标确定的多类特征组合,能得到最优识别效果,并在提高分类精度的同时,优化了计算效率.此外,GKF-RELM方法的识别率也优于传统的ELM方法.     

对地攻击型无人机作战效能多核RVM评估模型

为了更充分地发挥对地攻击型无人机的作战潜力,提出了一种基于萤火虫优化算法(FOA)与相关向量机(RVM)的无人机作战效能评估模型.首先,根据无人机特点和战场需求,从数理统计角度建立了对地攻击型无人机作战效能评估指标体系;然后,针对单一核函数的不足,采用多项式核函数和高斯核函数为RVM构造了混合核函数;最后,基于所构建的评估指标体系,采用FOA算法优化多核RVM的相关参数,构建对地攻击型无人机作战效能评估模型.仿真分析表明,该模型取得了较高的评估精度,在各项评价指标上均优于单一的高斯核或多项式核的RVM模型,从而证实其有效性和可行性.     

基于改进高斯核函数的雷达高分辨距离像目标识别算法研究

针对支持向量机的核函数选择问题,在保形变换方法的基础上,分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法。利用支持向量机的高斯核函数,提出一种基于改进的高斯核函数雷达目标高分辨距离像的研究方法。该方法对SVM的高斯核函数进行改进,并进行核函数选择。通过改进的高斯核函数与多项式核函数进行比较,在Matlab环境下采用两种方法对高分辨距离像进行仿真,仿真方法验证并改进了高斯核函数的有效性。     

凸组合核函数的支持向量机高光谱图像分类

支持向量机的高光谱图像分类中,单核函数存在局限性。为了提高分类器的分类精度和支持向量机模型的泛化能力,利用高斯径向基核和多层感知核进行凸组合构造复合核函数支持向量机,证明了该函数满足作为核函数的判决Mercer条件,并进一步将凸组合核函数支持向量机应用到高光谱图像分类中,完成了建模和实验验证。实验结果表明,凸组合核函数具有较好的鲁棒性,且该类支持向量机的分类精度和KAPPA系数较单核SVM均得到了有效的提高,是一种解决多分类问题行之有效的分类器。     

基于拉曼光谱技术结合机器学习算法分析创伤后应激障碍

本文采用血清拉曼光谱方法探究了创伤后应激障 碍(PTSD)的发病率与创伤环境中暴露时间 长短相关联的原因与机理分析。在本实验中以大鼠为研究对象,测试了28例延长创伤环境暴露时间 和27例非延长创伤环境暴露时间的大鼠血清样品。在被测大鼠血清拉曼光谱中特征峰的暂定 分配表明各组 之间的特定生物分子具有一定的差异性。采用主成分分析提取特征,用以减少高维光谱的维 数,来提高判 别模型的速率,并对提取后的特征分别采用BPNN,ELM和SVM进行分类,其中SVM算法又分别用 线性 核函数、多项式核函数和RBF核函数(高斯核函数)三种不同的核函数来建立模式识别模型 。PCA-RBF-SVM取得的结果最好,准确率为94.5%。研究结果表明, 不同创伤环境暴露时长的血清 拉曼光谱存在明显的差异性,暴露时长使其化学或分子物质发生了改变,继而可能导致创伤 后应激障碍的发病率发生变化。     

基于小波变换及奇异值特征提取的空间目标识别

对基于仿真的空间目标逆合成孔径雷达(ISAR)图像,提出了相应的空间目标特征提取及目标识别算法.首先建立了空间目标三维散射点阵模型,利用距离-多普勒成像算法对其进行了ISAR成像仿真,建立目标识别数据库;其次利用小波分解原理,提取二维小波变换后4个子图的奇异值特征;最后分别应用多项式核(Polynomial)及径向基函数核(RBF)支持向量机(SVM)进行分类识别.仿真实验研究了识别率与特征数目的关系及两类核函数SVM的分类性能,并达到了较好的识别效果,从而验证了本文算法的有效性.     

基于支持向量机和核主成分分析的车牌字符识别

给出了一种结合核主成分分析(KPCA)和支持向量机(SVM)进行车牌字符识别的新方法.该算法通过KPCA进行字符的特征提取,并利用SVM分类器完成字符的识别.实验证明,KPCA在高维空间具有较强的特征选择能力,SVM的识别率也明显高于BP神经网络.