基于BP神经网络的图像颜色温度检测方法研究

高温物体的颜色与物体的温度存在复杂的非线性关系.基于BP神经网络在非线性函数逼近方面有优良特性,提出了用BP神经网络拟合高温物体颜色模型HSV中参数H、S与温度的映射关系的测温法.实验证实该测温法是可行的,且较传统的测温方法简单,误差小.     

基于L S-SVM 的非线性预测控制技术

探讨了利用最小二乘支持向量机(LS—SVM)进行非线性系统辨识的方法，LS—SVM用等式约束代替传统支持向量机中不等式约束，求解过程从解QP问题变成解一组等式方程，将得到的LS—SVM模型应用到非线性预测控制，提出了基于LS—SVM模型的非线性预测控制算法，通过CSTR过程仿真表明，最小二乘支持向量机学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，基于LS—SVM的预测控制算法具有很好的控制性能。     

回归型支持向量机的系统辨识及仿真

本文详细阐述支持向量机(SVM)和最小二乘SVM(LS—SVM)的基本原理基础上。提出基于SVM的线性、非线性系统辨识。通过仿真分析并比较SVM、LS—SVM辨识与神经网络辨识结果，得到SVM、LS—SVM方法比神经网络具有更高的系统辨识精度和更好的泛化能力；LS—SVM算法比SVM快速。抗噪声能力强，更适合于动态系统辨识。     

基于最小二乘支持向量机的预测控制

最小二乘支持向量机（LS—SVM）方法克服了经典二次规划方法求解支持向量机的维数灾问题。适合于大样本的学习。提出一种新的基于LS—SVM模型的预测控制结构,对一典型非线性系统-连续搅拌槽反应器（CSTR）的仿真表明,该控制方案表现出优良的控制品质并能适应被控对象参数的变化,具有较强的鲁棒性和自适应能力。     

基于神经网络的图像颜色测温研究

鉴于高温物体的颜色与其温度之间存在某种非线性关系,用数码相机对高温物体发出的颜色光进行标定得到颜色的特征参数,再利用神经网络的非线性逼近能力即可得到温度值。通过分别训练BP,RBF和小波神经网络,分析比较三种网络在图像颜色测温中对温度的拟合。     

M ISO 系统的混合核函数L S-SVM 建模

将LS—SVM非线性建模思想应用于锌钡白转窑煅烧过程的MISO系统建模．研究发现，系统选取不同的核函数，对模型的拟合性能和预测(泛化)性能有很大的影响．采用基于混合核函数的LS—SVM建模方法解决上述问题，该方法可使系统具有满意的模型拟合输出，能有效抑制局部核函数所引起的预测输出波动，取得了良好的综合辨识效果．     

基于BP神经网络的彩色温度软测量

基于高温物体的温度不同,与之相对应通过数码相机摄取的高温物体的颜色也不同,提出一种神经网络的图像颜色测温方法.选取RGB模型的R、G和B作为模式特征向量,用BP网络拟合高温物体的颜色和温度之间的非线性关系.实验结果表明,该方法精度高,运行速度快,切实可行.     

压力传感器的支持向量机非线性回归建模

压力传感器的输出特性易受到环境因素,尤其是温度变化的影响。针对该问题,提出了利用支持向量机(SVM)对压力传感器输出特性进行非线性补偿的校正模型。校正模型利用SVM的回归算法来逼近非线性函数的特点,通过建立压力传感器输出特性与其实际电压值之间非线性映射关系的校正模型来实现压力传感器的校正。实例表明:该方法能有效地减少温度变化对传感器输出的影响,且校正后的压力传感器具有更高的测量精度和温度稳定性。     

动态加权最小二乘支持向量机

提出一种基于动态加权最小二乘支持向量机（LS—SVM）的时间序列预测方法．动态加权LS—SVM能够跟踪时变非线性系统的动态特性，适合于系统辨识和时间序列预测；同时采用鲁棒方法确定权系数，以减小噪声的影响．将动态加权LS-SVM算法应用于工业PTA氧化过程中的4-CBA浓度预测，结果显示，动态加权LS—SVM预测精度高，能够有效减小噪声的影响．     

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机（LS—SVM）构造函数链接型神经网络（FLANN）逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法，并给出了传感器动态逆系统的数学模型。在该方法中，通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据，该逆系统模型的传递函数可用LS—SVM—FLANN方法辨识得到。实验结果表明，LS—SVM—FLANN辨识逆系统模型的速度是BP—FLANN方法的两倍，而且该逆系统动态补偿误差仅为后者的10％。用LS—SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。     

基于改进的PCA-LS-SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法,建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比,失去了"稀疏性",最小二乘支持向量机的稀疏化方法解决了这一难题;主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明,该改进的PCA- LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机（Switched Reluctance Motors）电磁特性的非线性造成其精确数学模型难以建立的问题,在获取准确磁特性样本数据基础上,采用最小二乘支持向量机（LS-SVM）的方法对开关磁阻电机非线性建模。仿真结果表明,该模型能够较好的反应SRM的磁特性。     

Cellular automata for simulating land use changes based on support vector machines

Cellular automata (CA) have been increasingly used to simulate urban sprawl and land use dynamics. A major issue in CA is defining appropriate transition rules based on training data. Linear boundaries have been widely used to define the rules. However, urban land use dynamics and many other geographical phenomena are highly complex and require nonlinear boundaries for the rules. In this study, we tested the support vector machines (SVM) as a method for constructing nonlinear transition rules for CA. SVM is good at dealing with nonlinear complex relationships. Its basic idea is to project input vectors to a higher dimensional Hilbert feature space, in which an optimal classifying hyperplane can be constructed through structural risk minimization and margin maximization. The optimal hyperplane is unique and its optimality is global. The proposed SVM-CA model was implemented using Visual Basic, ArcObjects^®, and OSU-SVM. A case study simulating the urban development in the Shenzhen City, China demonstrates that the proposed model can achieve high accuracy and overcome some limitations of existing CA models in simulating complex urban systems.     

基于支持向量机α阶逆系统方法的非线性内模控制

为了提高传统逆系统方法的鲁棒性和抗干扰能力, 提出了基于支持向量机α阶逆系统方法的非线性内模控制新方法. 该方法利用支持向量机辨识非线性系统的α阶逆模型, 并将其串连在原系统之前得到复合的伪线性系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真结果证明了该方法的有效性. 理论分析和仿真结果均表明, 该方法不依赖于系统的模型, 且较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决非线性系统控制的一种可行的理论方法.     

A hybrid SVM-PSO model for forecasting monthly streamflow

The long-term streamflow forecasts are very significant in planing and reservoir operations. The streamflow forecasts have to deal with a complex and highly nonlinear data patterns. This study employs support vector machines (SVMs) in predicting monthly streamflows. SVMs are proved to be a good tool for forecasting the nonlinear time series. But the performance of the SVM depends solely upon the appropriate choice of parameters. Hence, particle swarm optimization technique is employed in tuning SVM parameters. The proposed SVM-PSO model is used in forecasting the streamflow values of Swan River near Bigfork and St. Regis River near Clark Fork of Montana, United States. Further SVM model with various input structures is constructed, and the best structure is determined using various statistical performances. Later, the performance of the SVM model is compared with the autoregressive moving average model (ARMA) and artificial neural networks (ANN's). The results indicate that SVM could be a better alternative for predicting monthly streamflows as it provides a high degree of accuracy and reliability.     

基于SVM逆模型的电涡流传感器非线性补偿

针对电涡流传感器检测过程中受温度和电路干扰等因素引起的非线性问题,提出了基于支持向量机（SVM,理论的非线性补偿方法,分析了存在传感器测量值中的非线性特性,建立了以检。测位移参数为输出,以电压参数为输入的SVM逆模型。通过实验数据仿真验证了SVM模型的有效性,测试样本的模型预测平均误差为0.0751mm,达到了较好的线性度,实现了电涡流传感器非线性补偿的目的。     

一种基于LS-SVM的电子设计竞赛选手选拔与组队方法

在详细阐述最小二乘支持向量机(LS-SVM)回归算法原理基础上,提出一种基于LS-SVM的特征提取方法,并将其应用到全国电子设计竞赛队员选拔问题上。利用所提的特征提取方法对近年在电子设计竞赛中获奖队员平时成绩进行分析,找到了3个关键的评价指标,并以此为基础确定了一套定量的选拔与组队方法。     

基于支持向量机的传感器的非线性校正

铜热电限的非线性影响到它的测温准确度和测温范围,针对这个问题提出了采用支持向A机(SVM),建立了铜热电阻传感器的逆模型进行非线性校正,并且与以往采用的BP网络和最小二乘校正方法进行了比较;结果表明,采用支持向f机的非线性校正方法的最大误差为±0.0287%左右,与BP人工神经网络取得的结果(最大误差为± 0.0523%左右)和最小二乘法取得的结果(最大误差为±0.0865%左右)相比,精度高于以上2种校正方法;同时,SVM方法有较好的泛化能力,在很大程度上提高了传感器的线性度,并且补偿曲线更顺滑,预测性更强,它为铜热电阻传感器的非线性动态补偿提供了一种新方法.     

基于非线性SVM模型的木马检测方法

针对传统木马检测方法误检率和漏检率较高的问题,提出基于非线性支持向量机(SVM)模型的木马检测方法.根据被检测程序在系统中的系统调用函数建立系统调用序列,并转换成SVM可识别的标记放入数据仓库,以供向量机提取作为特征向量.通过建立SVM分类器对被检测程序行为进行分类,从而确定被检测程序行为的异常情况,判断其足否为木马....