共查询到19条相似文献,搜索用时 56 毫秒
1.
基于混沌理论和支持向量机的人脸识别方法 总被引:2,自引:0,他引:2
针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力. 相似文献
2.
针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。 相似文献
3.
针对传统蚁群算法(ACO)收敛速度慢、全局搜索能力不佳、易陷入局部最优、路径不光滑及不安全等缺点,本文提出一种将改进的蚁群算法和非线性支持向量机(SVM)结合的移动机器人路径规划算法。对传统蚁群算法引入两个角度信息,增加算法的朝向性,克服局部最优问题;信息素挥发因子随迭代次数自适应调整,加快全局搜索能力和收敛速度。在此基础上结合高斯径向基核最小二乘支持向量机,采用提出的改进蚁群算法获得支持向量机的惩罚系数和核函数宽度,利用径向基核函数和决策函数在改进蚁群算法的路径转向位置处训练优化,得到平滑及安全的路径。仿真结果表明,提出的算法不但可以有效提高收敛速度和精度,而且使得路径光滑且安全。 相似文献
4.
针对目前多品种、复杂化的生产趋势,提出了一种基于自适应变异的粒子群算法(AMPSO)和支持向量机(SVM)的控制图失效模式识别的方法。利用SVM小样本学习能力,设计一对一的SVM多分类器进行控制图模式识别,并利用AMPSO算法优化SVM核函数的参数。通过对10种控制图模式(6种基本模式和4种混合模式)的20维特征仿真数据对该方法进行检验,并通过与BP、SVM、PSO SVM识别方法的对比分析。仿真试验表明该方法有效提高了控制图模式的识别精度,达到9814%,而BP仅有75%,为控制图在线实时识别提供了一种可行的途径。
相似文献
5.
以更准确的估算地震预警(earthquake early warning,EEW)震级为目标,利用P波触发后3 s内的日本K-net强震数据,选取幅值参数、周期参数、能量参数、衍生参数这4大类共12个P波特征参数作为输入,构建基于支持向量机震级预测模型(support vector machine for earthquake magnitude estimation,SVM-M)。结果表明,比较传统的震级估算“τc方法”与“P d方法”,建立的SVM-M模型震级预测误差明显减小且不受震中距变化的影响,小震高估问题得到明显改善。2016年日本熊本地震主震(M j7.3)与2008年中国汶川地震主震(M s8.0)的震例分析结果表明,3 s时间窗不能匹配震源破裂全过程而出现了一定程度的震级低估,但仍可在P波触发后短时间窗内明确是大地震事件。建立的SVM-M模型可应用于地震预警震级快速估算。 相似文献
6.
7.
8.
10.
11.
12.
13.
支持向量像素抽样的快速图像匹配方法 总被引:4,自引:0,他引:4
提出了一种新的支持向量(SupportVectorMachines,SVM)回归的快速图像匹配方法。该方法将匹配模板图像中每个像素的位置坐标和灰度信息作为训练样本,通过选择合适的模型参数,进行SVM回归训练,获得少量的支持向量。依据SVM位置坐标对模板图像进行像素抽样,实现匹配数据的有效压缩。定义了图像支持特征向量,用少量的特征数据描述整幅图像变化的结构信息,保证了匹配数据的置信度。采用相关系数作为相似性测度,实现互相关匹配。实验结果显示,在一幅100×100的光学图像中提取85个支持特征向量点作为匹配数据,匹配概率可达到100%,匹配速度比传统相关匹配方法快近四倍。 相似文献
14.
15.
支持向量机(SVM)是一种对小样本决策具有良好学习性能的机器学习方法。常规SVM算法是从二类分类问题推导得出的,针对于故障诊断这种典型的多类决策问题,研究了一种网格式支持向量机多类算法,每个类别和其他2至4个类别之间采用常规SVM二值分类器进行分类,所需二值分类器总数少,可扩展性强。把转轴上不同位置的裂纹当作不同的故障,运用网格式支持向量机进行转轴裂纹位置故障诊断,结果表明该算法具有计算量小、诊断速度快、故障识别率高、容易扩展等优点,适合于较大规模的多类别故障诊断应用。 相似文献
16.
17.
构建二叉树支持向量机时,如果随机地将分类器分布在二叉树的各个结点上,是不能充分发挥其性能的。考虑到样本的分布情况对分类器推广能力具有较大影响,提出一种次序二叉树支持向量机多类算法,采用样本分布半径和样本分布距离估算各个类别的样本在高维特征空间中的分布情况,把分布半径较大的类别或者分布距离较大的类别较早地分出来,并且在特征空间中给其划分较大的分类区域。转子多故障诊断实验表明,该算法的诊断速度快,故障识别率高,推广能力强,更加适合于实际故障诊断应用。 相似文献
18.
针对电铲供电机组振动时间序列是个非线性、非平稳的复杂时间序列,难以用单一预测方法进行有效预测的问题,建立了一种基于小波分解和最小二乘支持向量机混合模型进行状态预测的方法.首先通过小波分解,将原始振动时间序列分解到不同层次,然后根据分解后各层次分量的特点选择不同的嵌入维数和LS-SVM参数分别进行预测,最后重构得到原始序列的预测值.对某电铲供电机组振动趋势的预测结果表明,该模型的预测性能好于单一的支持向量机预测方法. 相似文献
19.
球结构支持向量机在转轴碰摩位置识别中的应用 总被引:3,自引:1,他引:3
摘要:碰摩是旋转机械中常见的故障,碰摩故障位置识别是一个有待深入研究的故障诊断问题。对球结构支持向量机进行改进,充分考虑分类球的大小对分类的影响,经过理论分析和仿真实验得到新的分类规则。把转轴上不同位置的碰摩当作不同的故障,转轴碰摩故障位置识别就是个较大规模的多类别故障诊断问题,运用改进的球结构支持向量机进行转轴碰摩故障位置识别。实验结果表明,和其他同类算法相比,改进的球结构支持向量机具有识别率高、速度快、计算量少、数据处理容量大等优点,适合于较大规模的多类别故障诊断。
相似文献
相似文献