基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题.提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测.采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.     

一种过程支持向量机及其在动态模式分类中的应用

针对一般SVM在机制上难以直接对动态模式进行分类的问题,提出了一种基于函数正交基展开的过程支持向量机.该模型的输入为时变函数,输出为模式类别.在输入函数空间中选择一组适当的正交函数基,将输入函数在该组函数基下进行有限项展开,把展开式系数作为核函数的输入.由于时变函数在基函数映射下与展开式系数一一对应,从而可利用SVM的变换机制实现动态模式分类.给出了基于SMO的求解算法,实验结果验证了模型和算法的有效性.     

嵌入式系统控制设计思想在材料试验机中的应用

介绍了嵌入式系统控制设计思想的优势,根据嵌入式系统控制设计的特点和技术要求,阐明材料试验机的特点,并以电子蠕变及持久强度试验机为例说明了嵌入式控制系统设计思想的多方面的优势和发展前景。     

西门子S7可编程控制器在内衬层生产线上的应用

介绍了用西门子S7-400可编程控制器（PLC）在内衬层生产线上的应用,根据生产线的生产工艺和控制要求,对电气系统的硬件组成和软件程序进行了设计,并且应用了组态软件设计生产线和配方画面。     

基于机器学习的文本分类技术的研究

基于机器学习的文本分类是近年来信息检索领域的热门研究技术,并且取得了较大进展.本文对文本分类的定义、文本表示进行了详细的阐述,介绍了SVM等一系列机器学习的文本分类方法和文本分类效果评估手段,指出了进一步的研究方向.     

文本分类技术研究进展

介绍文本分类的研究背景、关键技术;总结经典文本分类方法;讨论目前新涌现的分本分类模型及面临的问题,并对文本分类趋势进行展望。     

一种改进的结合K近邻法的SVM分类算法

在对支持向量机在超平面附近容易对测试样本造成错分进行研究的基础上,改进了将支持向量机分类和k近邻分类相结合的方法,形成了一种新的分类器.在分类阶段计算待识别样本和最优分类超平面的距离,如果距离差大于给定阈值可直接应用支持向量机分类,否则用最佳距离k近邻分类.数值实验表明,使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率.     

随机纹理表面缺陷检测方法与应用

针对随机纹理表面缺陷检测问题,提出了一种基于Gabor小波的检测方法。该方法首先利用实值2维 Gabor小波对图像进行多通道滤波;然后通过对滤波图像进行非线性处理和平滑滤波产生通道能量图像（特征图像）;接着在学习阶段估计学习样本（不含缺陷）特征的统计参数,并用于指导检测阶段特征图像的阈值化;最后在不同尺度和方向,对阈值化后的特征图像进行融合,并二值化,以达到减小虚警率的目的。实验结果表明,该方法检测效果好,且要求学习样本少,适用于不同缺陷类型和各种检测问题。     

隐核最小二乘分类器在故障诊断中的应用

作为一种基于正定核的学习方法,传统支持向量机(Support Vector Machine,SVM)能较好地解决小样本、非线性、过学习、维数灾和局部极小等问题,从而广泛应用于模式识别、回归估计等领域。当前,核方法及其在故障诊断中的应用引起了人们的广泛重视并成为研究热点。为解决传统支持向量对核函数正定性的限制及求解速度不高的缺陷,通过引入最小二乘支持向量机分类算法提高学习速度,采用隐核特征映射技术实现核函数的进一步扩展,提出了一种新的隐核最小二乘分类器(HKLSC)算法。将其应用于实际工业过程的故障诊断中并根据采集的滚动轴承数据进行了仿真。结果表明,该隐核分类器具有很好的故障诊断性能,为故障诊断提供了一种新的有效途径。     

基于KDA和SVM的文档分类算法

为了高效地解决Web文档分类问题,提出了一种基于核鉴别分析方法KDA和SVM的文档分类算法。该算法首先利用KDA对训练集中的高维Web文档空间进行降维,然后在降维后的低维特征空间中利用乘性更新规则优化的SVM进行分类预测。采用了文档分类领域两个著名的数据集Reuters-21578和20-Newsgroup进行实验,实验结果表明该算法不仅获得了更高的分类准确率,而且具有较少的运行时间。