基于混沌理论和支持向量机的人脸识别方法

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.     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

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。     

基于支持向量机和改进蚁群算法的移动机器人路径规划

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。     

基于自适应粒子群算法和支持向量机的控制图模式识别

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9814%,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。      

基于支持向量机的地震预警震级快速估算研究

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。     

支持向量机在电子体温计LED字符识别中的应用研究

在电子体温计的在线自动检测中,电子体温计发光二极管(LED)字符识别是其中的一个重要问题.提出了一种基于支持向量机(SVM)的电子体温计LED字符识别方案,通过实验选定二次多项式作为核函数,实现了对电子体温计LED字符的在线识别.在训练样本较少的情况下,该系统具有较高的识别率和识别速度,系统的识别率可达98.3%,识别速度小于0.2 S,并具有很好的分类推广能力.实践表明这种识别方法是实用可靠的.     

基于小波包和进化支持向量机的齿轮早期诊断研究

针对齿轮早期故障的特征不明显，提出了一种基于小波包和进化支持向量机的齿轮故障诊断方法，该方法既充分利用了小波包优良的时频局部化特性，又利用了支持向量机在小样本情况下出色的学习性能和良好的推广特性，以及遗传算法的全局优化能力。在齿轮试验台上的应用结果表明，经过特征提取和参数优化后，提高了支持向量机的分类能力。     

使用支持向量机的微处理器验证向量优化方法

为了解决微处理器仿真验证中随机验证向量质量不高的问题,提出了一种基于支持向量机(SVM)的验证向量优化方法。该方法将已仿真运行的验证向量及其覆盖率信息作为支持向量机的样本进行有监督学习,得到验证向量关于功能覆盖点的分类器。利用训练后的分类器对于新产生的验证向量进行预测,并丢弃预测中不能提高覆盖率的冗余验证向量。实验数据表明该方法能准确地过滤冗余验证向量,提高仿真运行的验证向量的质量。和完全随机的验证向量生成方法相比,该方法达到相同的功能覆盖率仅需要前者1/3的验证向量。     

基于模糊粗糙集和鲸鱼优化支持向量机的化工过程故障诊断

针对化工过程复杂,故障数据量大、属性多,难以保证故障诊断准确率和速度的问题,提出了一种基于模糊粗糙集(fuzzy rough sets,FRS)和鲸鱼优化的支持向量机(support vector machine,SVM)的化工过程故障诊断方法.通过对化工过程历史数据分析,判别故障类型.首先,利用模糊粗糙集对离散化后的...     

使用支持向量机的纹理识别方法

将支持向量机应用到纹理识别领域,提出了一种基于支持向量机和小波变换的新型纹理识别方法。该方法用小波变换各子带图像共生矩阵参数、分析窗口大小、像素均值和像素标准差等参数作为纹理特征,解决了描述不同尺度纹理的难题。以多类支持向量机作为分类器,用输出纠错码把二分类器扩展到多类,提高了分类器的泛化能力。在包含25类单色自然纹理的图像库上进行识别试验,结果表明,该方法识别错误率小于10%,识别正确率比传统的贝叶斯等方法提高了2%左右,获得了更高的识别正确率,且推广性更好。     

基于支持向量机的非概率可靠性分析

针对具有隐式极限状态函数的不确定性结构的非概率可靠性分析,提出一种基于支持向量机回归的不确定性结构非概率可靠性分析方法,并给出了该方法的分析流程.抽取数据样本,优化支持向量机回归参数,使用训练后的支持向量机替代隐式极限状态函数.利用非概率集合理论中的区间分析法,引入尺寸比例因子,构造合适的不确定性结构非概率可靠性指标迭...     

支持向量像素抽样的快速图像匹配方法

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。     

基于支持向量机的激光成像雷达地形重采样

针对机载三维激光成像雷达测量地形高程的特点,提出了一种基于最小平方支持向量机和Shepard的激光成像雷达扫描的地形重采样方法.该方法利用支持向量机是基于结构风险最小化准则,对带有噪声的数据拟合方面具有较好的泛化能力的优点,结合Shepard的局部插值能力,使重建的地形具有局部失真小、总体保持最优的特点.仿真实验结果达到了较高的地形测量精度.     

基于网格式支持向量机算法的转轴裂纹故障诊断

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。     

基于广义刚度的多指手抓持稳定性分析

近年来,仿人灵巧手成为热门的研究方向,大量学者对灵巧手抓持稳定性进行了研究.刚度是影响灵巧手抓持稳定的一个重要因素,本文基于旋量理论综合研究了灵巧手关节刚度和接触刚度与扰动力作用下的被抓持物体位姿变化的关系,在旋量空间中得出了广义刚度.并针对扰动力造成的软指与物体间的滚动情况,提出了一种等效接触切向刚度的方法.在广义刚...     

次序二叉树支持向量机多类故障诊断算法研究

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。     

最小二乘支持向量机和小波电铲供电机组状态预测

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.     

球结构支持向量机在转轴碰摩位置识别中的应用

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。