基于LIBSVM和时间序列的区域货运量预测研究

针对区域货运量预测中影响因素多、样本数量小的问题,提出了互信息MI与LIBSVM支持向量回归以及状态空间时间序列相结合的预测方法,采用MI进行高维度特征降维后,以新的低维空间作为样本输入,分别建立LIBSVM支持向量回归和状态空间时间序列预测模型。通过重庆市货运量预测实验结果及对比分析表明,该方法在进行有效预测的同时能够改善预测精度,相对误差约为0.06。     

基于矢量矩免疫算法优化SVM参数仿真研究

为解决支持向量机(SVM)参数在优化过程中存在的局部极值和收敛速度慢的问题,提出一种基于矢量矩免疫算法优化SVM参数的方法.通过将抗体距离与免疫网络原理中浓度调节机制相结合的方式,提高算法的局部搜索能力,通过引入免疫记忆单元加快算法搜索最优参数的速度,优化过程中用SVM的分类精度作为算法的循环条件,实现对不同分类问题SVM参数的自适应调节.最后,利用Matlab7.0软件进行计算机仿真并与遗传算法进行比较,结果表明前者在优化性能上具有一定的优越性,为应用提供了参考.     

用LDL~T并行分解优化大规模SVM的训练效率

支持向量机在大规模训练集上学习时,存在学习时间长、泛化能力下降的问题。研究使用路径跟踪内点法构建面向大规模训练集的SVM学习算法,找到影响算法学习效率的关键是求解大型线性修正方程,首先使用降维法降低修正方程的维数,再使用矩阵LDLT并行分解高效地求解子修正方程,达到优化大规模SVM学习效率的目的,实验结果说明SVM训练效率提升的同时不影响SVM模型的泛化能力。     

基于蚁群优化的SVM及其应用研究

针对蚁群算法的容易陷入局部最优解的问题,对连续蚁群算法的全局转移因子和挥发因子进行了改进.在搜索过程中,蚂蚁利用前一代最优解的位置及信息素强度决定最优解转移步长及概率,对每一代搜索过程,利用动态的全局转移因子来确定蚂蚁应该进行如何搜索,保证蚂蚁能够得到更多的搜索空间,解决了蚁群算法"早熟"的现象.利用优化后的支持向量机(C-SVR和C-LSSVM)建立了某型航空发动机起动过程的数学模型.通过实际的发动机数据对模型的有效性进行了验证,结果表明,C-SVR和C-LSSVM泛化性能优于ε-SVR和LSSVM.     

基于FPGA的PLC并行定时器的设计

构建了一种采用ARM与FPGA协同并行工作实现定时功能的PLC控制系统.设计了ARM-FPGA系统的通信方式与协议,实现了删与FPGA之间快速高效的通信.由于PLC内部包含了数量较多的定时器,因此在FPGA中采用串行方式与并行方式相结合的方法实现PLC定时功能,经过分析与测试可知,该设计方法不仅可以保证定时器的计时误差在1ms以内,还能提高系统工作效率与减少硬件资源耗用.通过对FPC-A内部功能模块的仿真测试与ARM-FPGA系统联合测试,验证了ARM-FPGA系统可以初步实现PLC的预期功能,其中FPGA可以稳定精确地实现定时功能.     

第一性原理计算软件包ABACUS中格点积分的优化

ABACUS是中国科学技术大学中国科学院量子信息重点实验室自主研发的新型基于密度泛函和数值原子轨道基组的第一性原理计算软件包,在该软件中需要使用格点积分来计算局域势和电子密度,这两部分的计算是程序运行中主要耗时的部分。我们采用了内存池和高性能数学库对这两部分进行了优化,最终使得程序对内存带宽和CPU高级矢量扩展的利用率有了大幅提高,实际计算速度得到了有效的提高。经过实测,在200个Ti原子的算例中,这两部分的速度分别提高到原来的4.2倍和6.4倍,整体速度提高到原来的2.8倍。     

用于图像恢复的基于SVR的自适应新滤波器的研究*

提出了一种用SVR回归器识别脉冲噪声的思想,并将其应用于图像滤波和恢复,形成了用于对脉冲噪声进行滤波的SVR自适应滤波器。这种滤波器在滤波时,先用SVR对待识别像素作噪声识别,再对含噪声的像素作中值滤波。用SVR作噪声识别时,先对滤波窗口作SVR回归,通过待识别像素回归距的大小判断其是否含有噪声。在进行SVR回归时,使用鲁棒的Huber损失函数。由于更充分地利用了待识别像素点的局部背景信息,这种滤波器提高了脉冲噪声识别的正确率。实验表明,在保留原图像的细节信息方面,其滤波效果要优于基于SVC的中值滤波器。     

基于磁光图像的飞机铆钉缺陷识别

针对飞机铆钉磁光图像的识别问题,提出了一种基于模糊支持向量机的裂纹有无和裂纹方向自动识别的新方法。该方法首先对铆钉磁光图像进行预处理得到铆钉二值化图像;然后采用阈值法求取铆钉中心;最后将由铆钉中心发出的星形射线矢量作为特征,采用模糊支持向量机方法对铆钉有无裂纹和裂纹方向进行分类。其中,支持向量机的核宽及惩罚常数采用网格法进行选取,并结合模糊隶属度函数解决多类分类问题中存在的错分和拒分现象。实验结果表明,使用训练获得的支持向量机分类器识别裂纹缺陷取得了很好的效果,能够满足自动检测的高实时性要求。     

基于优化支持向量机的网络入侵检测技术研究

入侵检测系统是任何一个完整的网络安全系统中必不可缺的部分.日益严峻的安全问题对于检测方法提出更高的要求.传统的入侵检测方法存在误报漏报及实时性差等缺点,将机器学习的技术引入到入侵监测系统之中以有效地提高系统性能具有十分重要的现实意义.支持向量机(SVM)是一种建立在统计学习理论(SLT)基础之上的机器学习方法,被成功地应用到入侵检测领域中.讨论了支持向量机优化算法及其在入侵检测中的应用.实验表明,基于优化支持向量机检测入侵的方法能较大地提高入侵检测系统的性能.     

PSO并行优化LSSVR非线性黑箱模型辨识

针对非线性黑箱系统辨识中存在不确定性、高阶次,采用常规辨识方法建立其精确数学模型十分困难等问题,提出一种基于自适应粒子群算法的最小二乘支持向量机回归(PSO-LSSVR)非线性系统辨识方法.该方法采用2组自适应粒子群算法并行计算模型,分别利用自适应粒子群算法对LSSVR中的参数进行自动选取和矩阵迭代求解,既克服了传统LSSVR参数难以确定的缺点,提高了辨识精度,同时避免了复杂矩阵求逆运算,加快了计算速度.将该方法应用于船舶操纵性模型非线性系统辨识,仿真结果表明,由该方法得到的LSSVR能够有效地对系统进行建模,仿真精度高,结构简单,具有一定的理论推广意义.     

基于SSE指令的大内存快速拷贝

在深入研究单指令多数据流扩展指令集（Streaming SIMD Extensions,SSE）数据传输指令操作特点的基础上,充分考虑了数据预取、数据对齐、CPU缓存和新的128位寄存器等因素,在Visual C++平台上用嵌入汇编开发了内存拷贝函数。通过实验分析了各内存拷贝函数拷贝速度与拷贝内存量之间的对应关系。     

基于遗传算法的故障特征优化研究

故障原始样本特征集中往往存在着冗余和不相关的分量。为了提高故障诊断系统的快速性和准确性,有必要采取适当的方法对故障诊断系统进行特征优化。为此提出了一种基于遗传算法的故障特征优化方法。方法对基本遗传算法的种群初始化方法,并对运算子进行了改进,同时利用支持向量机分类识别率构造遗传算法的适应度函数。通过对汽轮机减速箱轴承故障样本数据特征优化实例分析,结果表明方法能够得到更有利于分类的特征子集,使得故障诊断的准确率和计算效率都得到了改善,为关键设备状态监控与故障诊断提供了更为可靠的依据。     

基于LIBSVM的融合傅里叶幅值与相位的示功图识别方法

通过示功图来诊断抽油机井工况,是确保油井安全高效生产的一种重要手段。针对现有示功图特征提取只利用其离散傅里叶变换(Discrete Fourier Transform,DFT)的幅度谱而忽略了其相位谱,从而导致识别率较低的问题,提出了一种融合DFT的幅度谱与相位谱的示功图识别方法。首先,将示功图数据组成复数序列,取其DFT的幅度谱与相位谱构造特征向量;其次,对已知故障种类的示功图的特征向量进行训练,构造多分类支持向量机(Support Vector Machines,SVM)分类判别模型;最后,通过LIBSVM分类识别方法对未知类别的示功图进行分类识别,从而诊断抽油井的工况。实测结果表明,与只利用DFT幅度谱的方法相比,该方法能够有效地提高示功图的识别率,能为油井工况的准确分析、诊断与实时优化控制提供技术支撑。     

模糊支持向量机的训练算法研究

支持向量机(support vector machine,SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析等领域.并且传统的支持向量机由于噪音教据的存在而易出现过学习现象,因而有必要消除噪音的影响.基于以上考虑,提出了一种模糊支持向量机模型.本论文主要针对该类型的模糊支持向量机进行研究.     

基于LLVM的RISC-V向量扩展栈帧布局优化

为了能够生成正确、优化的机器指令代码,需要在编译器后端代码的生成阶段,设计和使用合适的程序栈帧布局.由于RISC-V向量扩展架构具有可伸缩性、其向量寄存器的长度在编译时不可知,传统的栈帧布局无法适用.之前LLVM中针对向量扩展实现的栈帧布局虽然能够生成正确的机器指令,但存在访存指令较多,栈帧空间较大,以及预留寄存器较多等问题.我们对原有实现所存在的问题进行分析,在此基础上提出了新的布局方式以及向量对象地址计算方式,并通过巴塞罗那超算中心开发的测试集进行验证.实验表明新的栈帧布局能够有效减少访存指令数和栈空间大小.     

基于OpenMP的AVS并行编码算法研究与实现

为了提高新一代音视频编解码技术标准AVS的编码速度,利用OpenMP在多核处理器平台上研究并实现了AVS的GOP级、条带级,帧级和基于任务队列模型的帧级并行编码算法.对CIF格式的视频序列进行了测试,在四核处理器平台上加速比最高能达到3.82x.另外,基于任务队列模型的帧级并行算法在保持图像质量不变的基础上解决了帧级并行算法加速比偏低的缺点.实验结果表明,OpenMP是一种简单而有效的并行化编程工具,基于OpenMP的各个AVS并行编码算法与原串行算法相比,编码速度都有显著提高.     

基于改进遗传算法的SVM参数优化研究

针对传统遗传算法的支持向量机参数选择方法易陷入局部极小点,导致过拟合或欠学习的问题,从而提出一种基于改进遗传算法的支持向量机参数选择方法,该方法在遗传算法初始化群体阶段采用加权深度优先搜索机制,克服了遗传算法局部搜索能力差的缺点,对支持向量机的径向基核参数进行优化,找出了具有较强推广能力的径向基核参数。将该算法用于3个基准数据集的仿真实验,结果表明该方法在保证分类精度前提下,大幅度缩短了训练建模时间,提高了运行效率。     

支持向量机多分类算法的研究

支持向量机（support vector machine,SVM）是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析等领域。本文重点阐述了一些典型的支持向量机多分类算法及支持向量机多标注算法。最后指出了进一步研究和亟待解决的一些问题。     

基于遗传算法的SVM多分类决策树优化算法研究

设计一种基于遗传算法(GA)的支持向量机(SVM)多分类决策树优化算法,以克服因传统SVM多分类决策树结构固定,单个SVM节点在树中位置随意而引起"误差积累"现象严重的缺陷.采用了SVM分类间隔作为GA适应度函数.利用GA在每一决策节点自动选择最优或近优的分类决策,最终自适应地实现了对决策树的优化.仿真实验表明,与传统方法相比,所提出的方法可使"误差积累"现象明显降低,分类质量大大提高.     

基于相关向量机的机器学习算法研究与应用

介绍一种新的机器学习方法——相关向量机（Relevance Vector Machine）。相关向量机是一种新的基于贝叶斯统计学习理论的学习方法,与支持向量机（Support Vector Machine）的相比,可以有概率型输出、更稀疏和核函数选择更自由等优点。详细论述相关向量机的研究现况、理论基础及算法思想,并通过仿真实验说明该方法曲有效性,最后展望相关向量机的研究发展趋势,且提出相关向量机中仍需解决的关键问题。