基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

自适应免疫算法的SVME用于水下目标识别

针对用支持向量机集成提高水下目标识别正确率会使识别系统更加复杂的问题,提出了一种以自适应免疫算法(AIA)的支持向量机选择性集成(SVME)算法(即AIA-SVME算法)进行分类器优化选择,对实测水下目标声信号进行分类识别.与分类器全部集成的识别实验对比证明,该算法在选择9%的分类器后仍可以达到分类器全部集成的识别效果,不仅保证了识别精度,还使得识别系统大幅度精简,节省在线识别的时间.该研究对于水下目标分类决策优化集成的新方法探索具有重要理论价值和实际意义.     

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。     

基于支持向量机的大跨度拱桥损伤识别方法研究

作为一种新兴的机器学习算法,支持向量机在损伤识别中已显示出其回归能力的优越性。将模态曲率改变率作为损伤识别特征参数,提出了基于支持向量机的大跨度拱桥损伤识别方法。首先应用模态曲率改变率进行损伤定位识别,然后重新构造训练样本,利用最小二乘支持向量机方法进行大跨度拱桥的损伤程度识别,该方法在较少的样本条件下,取得了非常接近目标值的识别效果。通过与RBF神经网络的训练结果进行对比,验证了该方法的精确性。     

基于粒子群最小二乘支持向量机的前视声呐目标识别

随着声成像技术的日益发展和广泛应用,利用图像声呐进行水下目标识别逐渐成为水声探测领域的重要研究方向之一。根据前视声呐图像的特性,提出了一种水下目标识别的方法。对声呐图像进行去噪和增强处理并分割图像,来获取目标所在区域、提取目标的区域形状特征;利用粒子群算法优化最小二乘支持向量机的正则化参数和核参数,构造出高性能的多分类器;输入待识别目标的特征实现分类。实验表明:优化后的最小二乘支持向量机能够准确、有效地识别出水下目标,并且具有较高的精度。     

用于水声目标识别的自适应遗传样本选择算法

针对训练样本集中含有噪声样本、冗余样本以及无关样本,导致分类系统分类性能下降、不稳定的水声目标识别问题,提出了一种新的自适应遗传样本选择算法(Adaptive Genetic Instance Selection Algorithm, AGISA)。算法先随机生成初始种群,接着利用设计的遗传算子(跨代选择、自适应交叉和简化最近邻变异)指导种群进化,每代中对分类贡献大且选择样本数目少的个体适应度值高。提取了实测3类水声目标的多域特征,进行样本选择和分类识别仿真实验,结果表明：AGISA可以选出有效样本子集,在样本维数下降约73%的情况下,支持向量机分类器的正确分类率能提高约2.5%;并且AGISA具有较好的收敛性、稳定性,所得优化样本子集具有较好泛化能力且能明显减少分类的时间。     

基于支持向量机的机内测试降虚警技术

针对环境因素引起的BIT虚警,提出基于支持向量机的机内测试降虚警技术,建立了虚警与环境因素的关联关系.通过构建多类SVM分类器,将间歇故障与正常状态和硬故障分开,以降低BIT虚警.某型号航空地平仪的试验结果分析表明: 在小训练样本的情况下,支持向量机比神经网络具有更好的间歇故障识别能力,能够有效地降低由环境因素引起的虚警.     

语音识别方法在水下目标识别中的应用

水下目标识别是潜艇在海战中,先敌发现并有效进行水声对抗的关键技术。然而,如何根据声纳接收到的舰船辐射噪声对三类目标进行分类识别是长期困扰人们的问题。研究了四种语音识别中常用的方法——线性预测系数（LPC）,线性预测倒谱系数（LPCC）,美尔倒谱系数（MFCC）和最小均方无失真响应（MVDR）,在水下目标识别中的应用效果,并比较了这四种方法在无噪声情况下的识别概率,以及在不同信噪比下的识别概率,并通过比较找到在无噪声和有噪声情况下的最佳方法。实验表明,在无噪声的情况下,MFCC方法总体识别率最高,第一类目标MFCC方法的识别率最高,第二类目标MFCC和MVDR方法识别率相似,好于其他两者,第三类目标MVDR方法识别率最高。在加入噪声的情况下,MVDR方法对三类目标的识别和抗噪声性能明显好于其余三者。     

支持向量机在混合气体种类光谱识别中的应用

针对混合气体种类光谱识别中组分气体特征谱线重叠严重的问题,将支持向量机用于混合气体种类光谱识别中,提出了一种基于支持向量机二值分类识别模型的逐一混合气体种类识别方法。利用支持向量机的核函数变换,将特征谱线重叠严重的光谱在高维空间变换为线性可分后再逐一进行混合气体种类识别。在天然气气体种类识别实验中,比较了不同核函数、数据预处理、特征提取、训练样本数等条件与识别结果的关系,结果表明,方法对1%浓度以上的天然气组成气体的正确识别率大于97%,在理论和实际应用中具有重要的推广价值。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

被动声纳目标识别系统设计研究

目标识别是声纳的主要功能之一,其性能包括识别正确率、泛化能力和识别距离。由于数据样本的保密特性,声纳目标识别系统设计有其自身特色。在设计过程中,应首先降低对数据样本的依赖,把目标辐射噪声的机理分析、组成、运动规律等知识巧妙地运用到系统设计中;其次还应尽可能提高泛化率,以提高声纳目标识别系统对未见过的样本的正确识别能力。讨论了声纳目标识别流程、声纳目标识别系统的设计方法;在声纳目标识别系统的性能评估中,给出了目标识别距离的估算方法。     

被动声纳目标识别技术的现状与发展

在现代被动声纳系统中，水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR，DEMON和小波变换等特征提取技术进行了讨论，分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点，并简要分析了该领域的过去、现在和未来。     

三维成像声呐图像重建研究

针对成像声呐领域中水下目标探测、识别等问题,基于三维探测声呐2304通道波束形成数据,研究三维成像声呐可视化方法,仿真了三维点云重构算法,并根据实际应用需求,在设备实现中改进了算法,使其在实际环境中可动态调节阈值,优化成像效果。水池、湖试实验表明:以该可视化方法为基础的三维探测声呐可正确显示目标位置、形态;且在混响环境中对复杂探测目标有良好的重构效果;同时通过与二维声呐图像对比,进一步验证了该三维声呐在轮廓识别方面的优越性。     

基于BPSO-KNN算法的被动声呐目标分类识别技术研究

以提取得到的被动声呐目标功率谱特征为基础,采用二进制粒子群(Binary Particle Swarm Optimization, BPSO)优化算法和k最近邻(k-Nearest Neighbor, KNN)分类算法相结合的BPSO-KNN算法进行特征选择和参数优化,分别用KNN分类算法和BPSO-KNN分类算法对实际得到的四类海上被动声呐目标进行分类识别。结果表明,BPSO-KNN算法可对提取的功率谱特征进行特征优化选择,并对KNN分类器进行参数优化,提高了对四类目标的分类精度。该算法在被动声呐目标分类识别方面有参考价值。     

仿射变换下的分类识别

特征提取和分类识别是统计模式识别中两大关键步骤。显然,不同的特征提取方法与不同的分类器相结合,识别性能往往是不同的。从微分几何的角度出发,可将特征系数的获得看成线性几何变换,即仿射变换,据此在黎曼空间提出一种基于黎曼度量的分类识别方法。通过对经典最近邻分类器的线性加权,达到更有效地分类识别。不但在理论上将特征系数提取与分类识别合理的结合起来,而且由人脸识别实验表明该方法的有效性,该方法比传统方法的识别率有约 3%的提高。     

一种多目标自动跟踪的逻辑关联方法

目标跟踪是被动声纳系统的主要功能之一,跟踪器为目标运动分析和目标识别等后置处理提供输入数据。声纳操作员利用人脑独特的认知模式、先验知识和视觉的迹迹相关效应,能够很好地在声纳显示方位历程图上发现目标并录取跟踪。但实际应用中由于低信噪比、航迹交叉和转向等复杂多目标情形,声纳系统实现多目标自动跟踪十分困难。给出一种多目标自动跟踪的逻辑关联方法,利用被动声纳宽带波束输出数据,通过点迹与航迹关联、航迹评价管理和交叉处理等过程,可以较好实现多目标自动跟踪。试验数据的处理结果验证了所提方法的有效性,能够在声纳装备中得到工程应用。     

基于提升小波变换和分形维数的声纳图像识别

分形理论在图像的纹理识别中得到了广泛应用,由于分形维数不能反映图像的空间信息,容易造成误识别。针对该问题并结合声纳图像的特点,通过提升结构构造了Haar小波,并将提升小波变换同分形理论相结合,利用小波分解的多分辨率特点和分形维数的多尺度特性,提高图像的识别率。采用Levenberg-Marquardt(L-M)算法优化的BP神经网络对不同信噪比的声纳图像进行分类识别。实验结果表明,文中方法不论在识别率还是识别时间上均优于传统纹理识别方法。     

利用侧扫声呐实现船舶目标的快速识别

根据回波探测原理,研究了一种利用声呐对内河航运船舶进行监测的方法。利用项目组在广西西江航道上建立的一套侧扫声呐船舶吃水深度检测系统,获取了大量的监测数据。通过对这些数据的分析,研究了船舶目标和鱼群、渔网、垃圾漂浮物等伪目标之间的区别,总结出船舶目标的能量变化特征和线型结构特征。根据这些特征,提出了一种针对船舶目标的快速识别方法。最后通过试验,证明该方法具有检测率高、虚警概率小、实时性好等优势,为进一步实现内河航运船舶航行状态的智能监测提供了一种技术手段。     

基于形状相似度的水下目标识别算法

在水下声纳图像目标检测与识别中,水下目标的识别问题是关键技术之一。基于形状相似度的概念,提出一种新的水下目标形状分类算法。首先对检测到的水下目标阴影区域进行规格化处理,采用改进的形状上下文方法对常见水下目标形状进行分类识别。与传统形状上下文方法相比,改进后的算法具有旋转不变性和模板自适应更新能力。通过对球形、圆柱形和圆台形三类目标的阴影区域进行仿真分类计算可知,该方法具有仿射不变性,分类准确率较高。