基于最小二乘修正的随机Hough变换直线检测

利用Hough变换进行直线检测时,由于直线在参数空间中的映射容易受到邻近目标、噪声以及本身非理想状态的干扰,算法中的投票过程较易出现无效累积,进而导致虚检、漏检及端点定位不准等问题.针对传统方法的上述缺陷,提出了一种基于 ρ-θ 域最小二乘拟合修正的随机Hough变换的直线检测方法.首先, 在随机抽样时利用像素-长度比值对抽样的有效性进行判定,剔除不在直线上的抽样点对;然后, 对邻域相关点进行 ρ-θ 域的最小二乘拟合,得到修正后的直线参数用于累加投票,投票过程中设定累加阈值,通过检测峰值点逐次检出疑似长直线;最后, 通过设定断裂阈值对每条长直线进行筛选和分段,定位出直线段的端点.仿真实验表明,所提方法在投票时有效抑制了复杂环境对局部最大值的干扰,使直线检测的准确率得到显著提升.     

带约束的最优多元回归模型及其应用

针对区域经济发展短期预测建模的特点,结合核方法和支持向量回归的研究进展,提出了一类带约束的最优多元回归模型,该模型综合考虑了多元回归函数的拟合误差、泛化能力以及经济预测的特点,为区域经济的发展预测提供了一种新方案,对广东省江门市最近五年经济发展的预测也验证了该模型的有效性.     

基于线性规划支持向量回归的混沌系统预测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已经广泛用于解决分类与回归问题。标准的支持向量机算法需要解一个二次规划问题,当训练样本较多时,其运算速度一般很慢。为了提高运算速度,介绍了一种基于线性规划的支持向量回归算法,并由此提出几种新的回归模型,同时将它们应用到混沌时间序列预测中,并比较了它们的预测性能。在实际应用中,可以根据具体情况灵活地选择所需模型。     

中国科技园区经济发展智能预测

指出了中国科技园区的经济发展呈现出高度的非线性特征，常规的经济预测手段很难对其作出准确的预测。支持向量回归实现了样本数据从数据空间到特征空间的映射，具备较强的非线性数据处理能力。提出了基于支持向量回归算法的中国科技园区经济发展预测思路，并建立了相应的数学模型。最后，对中国科技园区未来5年的发展状况作出了预测。     

应用于故障诊断的SVM理论研究

分析了利用支持向量机进行模式分类的原理,指出最优分类面上的样本相对于两类误判而言是等概率的而非等风险的。针对机械故障诊断中两类错误分类具有不同损失的特点,说明直接将支持向量机应用于该领域存在不足。在此基础上,提出了诊断可信度函数,并在特征空间中,对最优分类面进行重新设计,使其符合等损失的要求,文中算例说明了该方法在实际应用中的可行性。     

基于一类分类的时间序列异常值检测

论文结合相空间重构理论与一类分类方法提出一种时间序列中的异常值检测方法。该方法首先将时间序列映射到相空间,然后对相空间中的点实行一类分类,最后,根据KKT条件进行异常值检测。仿真实验结果表明了所给方法的可行性和有效性。     

样本数目不对称时的SVM模型

1 引言支持向量机(Support Vector Machine,SVM)是统计学习理论发展的结果,自诞生以来,在非线性特征提取、模式识别、函数拟合等方面表现出优良的性能,因而受到广泛的重视,目前已成为人工智能领域的研究热点。然而,由于SVM从诞生到现在不足十年,许多研究工作