基于Bayes准则的支持向量机

支持向量机( SVM)在处理分类问题时，纯粹从样本的角度出发，其分类效果取决于训练样本的特性，不考虑待分类问题的当前信息。本文从导弹武器系统的数据交叉现象出发，通过对支持向量机的决策函数增加反映待分类问题当前信息的先验概率项，将Bayes准则融于支持向量机算法中，提高支持向量机的分类效果；给出了算法的推导以及实现步骤。通过导弹武器系统中的两个实例对算法进行验证，新算法比传统支持向量机算法具有更好的分类效果，并且算法的鲁棒性和敏感性都得到提高。     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时，分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导，而且由于学习过程中常采取近似计算，致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量；而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选，最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中，性能评价及分类结果表明，集成SVM比单- SVM具有更好的分类性能，故障诊断准确率更高。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

一种基于SVM 的航舵故障诊断方法

针对舵机故障样本数量不足、诊断知识不完备的实际情况,提出一种基于支持向量机(support vectormachine,SVM)的故障诊断方法。根据航舵故障输入输出映射非线性的特点,分析SVM的分类机理,对基于SVM的故障诊断步骤进行介绍,解决了小样本模式的分类问题,并通过仿真对该方法的有效性进行验证。仿真结果表明:该方法对舵机故障分类准确性可达92%。     

基于RS理论的支持向量机分类模型

基于粗糙集(RS)的支持向量机(SVM)分类模型用RS预处理原始样本数据,通过属性和对象的约简消除输入样本数据冗余条件和样本,简化样本数据空间维数.预处理后数据作为样本数据训练SVM,其模型采用模糊离散.用C 编程实现仿真,选用RBF核函数训练SVM,仿真证明该分类模型提高训练速度和分类精度.     

基于SVM 的导弹自由飞行阶段可靠性评估

为更好地评估巡航导弹自由飞行阶段的可靠性,对小样本回归问题进行研究。首先对实验数据进行特征选择与提取得到学习样本,在此基础上利用支持向量机（supportvectormachine,SVM）方法进行可靠性评估研究,然后通过仿真实验对比神经网络与支持向量机2种方法的评估效果。结果证明：SVM的训练学习效率更高,同时能够保证较好的泛化性能,提高自由飞行阶段可靠性的评估效果。     

基于多分类支持向量机和证据合成方法的多传感器信息融合研究

为克服支持向量机和Dempster方法的不足,提出一种基于SVM多分类器的识别结果概率输出方法。以BPA函数的形式输出SVM多分类结果,对Dempster证据合成方法进行了改进：根据证据之间的相似性程度判断是否存在证据;中突,对于证据数目在3条以上且存在冲突的证据组合,引用统计理论中马氏距离的计算公式计算各证据与其余证据组合之间的距离,导出各证据的重要性权系数,由此对证据的BPA函数进行转化,采用Dempster方法对转化后的BPA函数进行合成。然后,将SVM多分类器的BPA输出作为参与融合的各传感器对应的BPA函数,采用改进的证据合成方法进行合成,得到最后识别结果。结果表明,SVM识别方法能降低错误率,其输出形式包含更多信息量。     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines，SVM）故障分类器，在不易取得训练样本的情况下，实现较高准确率的故障诊断，并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法，以及改进型一对多算法），通过将其应用到实际电路进行故障诊断当中对其性能进行比较，得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法，核函数的选择对故障诊断的性能也存在着一定的影响。     

支持向量机在液体火箭发动机稳态段故障检测和诊断中的应用

将支持向量机方法用于某大型液体火箭发动机稳态试车数据的挖掘,建立了多故障分类器,采用23次试车数据对上述挖掘结果进行了测试,将测试结果与人工神经网络方法等所得结果进行了比较.并利用28类仿真稳态故障数据对该方法进行了进一步验证.结果表明,支持向量机方法是一种可基于小样本的、有效的液体火箭发动机故障检测与诊断方法.     

基于支持向量机的磨削参数自适应系统

基于支持向量机的磨削参数决策系统通过多传感器信息融合获得磨削状态信息,用支持向量机分类器对其分类.经建立样本数据、选取核函数及其参数并求解拉格朗日系数,找出支持向量.再求解分类超平面系数,建立训练数据最优决策超平面,并根据样本数据学习.系统按分类学习结果自动选择工艺参数以控制磨削加工质量.     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法，设计了相应的预处理算法，提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据，比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。     

支持向量机在模式分类中的应用

通过支持向量分类算法包括4类：线性分界面硬间隔、线性分界面软间隔、非线性分界面硬间隔和非线性分界面软间隔，区分线性和非线性支持向量机是否引入核函数和具有惩罚因子。以RBF为核函数的非线性支持向量机对2类2维样本进行仿真分析。结果表明，支持向量机分类能力受核函数参数影响较大，当选取适当参数时，其分类性能与最近邻法相当。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。     

代价敏感支持向量机的投影次梯度求解方法

针对传统的分类算法以及精度作为评价指标不能够满足现实分类问题的需要,将代价敏感方法引入支持向量机中,提出一种新的学习算法CSSVM,并得到了类似于Pegasos的投影次梯度求解方法,用于大规模数据的处理。Pegasos的步骤包括初始化、迭代、确定梯度下降的步长、确定梯度下降方向、更新、投影和结束。实验结果表明,该算法能有效提高识别率和识别精度,具有一定的竞争力。     

基于支持向量机的坦克驾驶模拟训练结果分析

利用坦克驾驶模拟器进行模拟训练是提高装备操作技能的重要方法。针对以往模拟训练忽视训练数据采集分析和提高训练质量的问题,提出采用支持向量机（SVM）对坦克驾驶模拟训练结果进行分析的方法。为了解决SVM参数选取难的问题,提出一种自适应粒子群优化(APSO)算法对SVM参数进行优化选择,设计动态权重参数并赋予相关惯性,实现粒子动态自适应。引入多位置查询机制和极值点信息以维持不同粒子平衡点的多样性,通过迭代选择与优化目标函数实现对参数的自动寻优。基于APSO算法的支持向量机(SVM-APSO)应用到某型坦克驾驶模拟器的训练结果分析中,结果表明SVM-APSO能克服多维影响因素对训练成绩分类带来的不利影响,实验结果在精度和时间上都有明显优势,验证了SVM-APSO在坦克驾驶模拟训练结果分析中应用的可行性与有效性。     

基于支持向量机的弹道识别及其在雷达弹道外推中的应用

支持向量机( SVM)是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。     

基于RBF人工神经网络的水质评价

以RBF网络建立水质评价模型,网络的输入为某水样中参与评价的n种水质指标实测值的集合,输出为该水样的水质级别。问题关键集中在网络结构的选择、可调参数的优化方法,以及学习样本的代表性上。将n个样本划分成c个类的划分序列。只要在一定水平时样本被归入同一类后,在进行更高水平的划分时,确定类数即确定分类结果。     

分类信息辅助的神经网络联合数据关联算法

为解决多目标跟踪中数据关联问题引入神经网络UKF算法和分类信息辅助方法.通过计算分类混淆矩阵确定分类信息似然函数,再用该函数调整只利用运动信息的似然函数,使分类信息有效辅助神经网络联合概率数据关联.在杂波环境中对多个近邻且不同种类目标跟踪,针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路得到神经网络联合概率数据关联(NJPDA)方法.基于以上关联方法得到的关联概率,仿真表明该算法提高了数据关联的有效性和快速性.