基于时序趋势特征的回转窑喂煤SVM分类方法

提出一种基于时序趋势特征的回转窑喂煤支持向量机（SVM）分类方法,根据回转窑多个热工数据之间的动态变化规律预测喂煤变化趋势,指导人工喂煤调节的操作。首先对回转窑热工数据进行预处理,将喂煤时间序列分段线性表示,并提取相应趋势特征,形成训练样本;然后采用粒子群（PSO）算法优化SVM参数,构建SVM分类器,进而对测试样本进行分类,实现对喂煤趋势的分类预测。通过采用现场数据进行对比分析,证明本文提出的喂煤趋势预测方法具有较高的预测准确率,提高了窑前控制的鲁棒性,模型达到了现场应用的水平。     

基于EMG频域特征的假肢机电信号识别研究

采集人体表面肌电信号并进行有效模式识别,是多功能假肢研究的关键技术之一.本文研究肌电信号(EMG)的频域信息,以提取有效特征识别不同的手腕部动作.实验采集了8种不同的手腕动作的EMG信号.分别提取了EMG信号的时间序列模型(AR)、时域统计量(DT)、功率谱估计(PSD)、短时傅里叶变换(STFT)和互功率谱(CPSD...     

基于SVM的多生物特征融合识别算法

针对单生物特征识别的局限性,提出融合手背静脉和虹膜两种生物特征实现身份识别.基于尺度不变特征变换(SIFT)提取手背静脉的局部SIFT特征并对特征点进行匹配,利用特征匹配率作为手背静脉图像的相似度测度.通过Haar小波变换实现虹膜特征编码,利用加权汉明距对虹膜进行相似度测试.最后基于支持向量机(SVM)实现两种生物特征在匹配层的融合识别.利用CASIA虹膜数据库和TJU手背静脉数据库对算法性能进行测试,其等错率为0.02%,实验结果表明,该融合算法具有很高的识别性能,为生物特征识别研究提供了新思路.     

基于SVM新闻文本分类的研究

网络新闻自动分类已经成为当下的热点问题,SVM分类算法是文本分类中应用较为成熟的一种方法.文章针对SVM文本分类中特征选择和核函数选择的两个重要问题,在新闻文本实验环境下进行了探讨,结果表明使用互信息特征选择法且特征数在4000左右,使用SIGMOID核函数的情况下准确率与召回率均可达到97％的分类效果.     

基于SVM数字波束形成的阵列天线结构对比

引用了阵列结构参数ρ,通过把SVM数字波束形成算法应用到CDMA系统中对阵列结构参数ρ进行研究,分别得出了直线阵和圆形阵的阵列结构参数的最佳取值范围;取阵列结构参数的最佳值,确定直线阵和圆形阵的结构;在此基础上分别研究直线阵列、圆形阵列在不过载和过载情况下的性能,得出了不论在不过载和过载的情况下直线阵和圆形阵都能准确接收期望信号,但当干扰信号和期望信号夹角较小及干扰信号之间夹角较小的情况下圆形阵列不能识别出所有的干扰信号,而直线阵可以准确识别干扰信号并对其零陷;而当干扰信号和期望信号夹角较大及干扰信号之间夹角较大的情况下圆形阵列能准确识别出所有的干扰信号,并对其零陷,而直线虽然也能准确接收期望信号但不能准确识别出所有干扰信号。     

基于条件随机场的复杂背景图像文字分割

图像中的文字提取是处理文字信息的关键步骤。提出一种基于条件随机场（CRFs）的分割方法。针对背案复杂的情况,精心选择特征,设计分类器,计算在给定观测数据情况下,像素标签的条件概率分布。这样,有效地避免了计算联合分布所带来的问题（如马尔可夫随机场）。与传统的分类器相比,该方法更加注重像素以及标签之间互相影响程度以及合理性。试验结果表明,与其他方法相比,CRFs的文字分割结果有明显的提高。     

基于SVM的医学图像分类器的设计

提出了一个基于支持向量机的医学图像分类器.能提取形状和纹理特征作为分类算法的特征输入,进行计算机辅助诊断.提出了一种支持向量机新算法,解决了当两类中的样本数量差别较大时,支持向量机的分类能力将会下降的问题.实验表明,在小样本、两类样本数量严重不均衡的情况下,该算法有着较强的分类能力,可以极大地提高医学图像分类的效率和准确性.     

一种基于线性分类器的通用指纹分割方法

针对不同传感器采集的指纹难以进行统一准确的分割的问题,提出主频率带能量比值,归一化的灰度均值及灰度对比度值三个更为通用的指纹描述特征,并利用这三个指纹特征,使用SVM方法训练一个线性分类器,对指纹进行有效分割.实验表明,该方法不仅实现了对指纹的准确分割,在FVC2002指纹数据库上平均分割误差约为2%,并且该分割方法具有很好的通用性,适用各种传感器采集的指纹.     

用支持向量机为学习过程建模

在游戏开发的人工智能领域中,最关键的部分是学习过程．经典的学习系统需要花费很多时间忘记旧规则,同时学习新规则．为了解决这个问题,文中提出使用支持向量机这种技术,并为这种学习分类器引进了一个时间概念,这样,系统就可以很容易地忘记过去的事情．同时也为支持向量的数量限制和CPU消耗的限制提出了解决方法．．     

Probabilistic Support Vector Machine Localization in Wireless Sensor Networks

Sensor networks play an important role in making the dream of ubiquitous computing a reality. With a variety of applications, sensor networks have the potential to influence everyone's life in the near future. However, there are a number of issues in deployment and exploitation of these networks that must be dealt with for sensor network applications to realize such potential. Localization of the sensor nodes, which is the subject of this paper, is one of the basic problems that must be solved for sensor networks to be effectively used. This paper proposes a probabilistic support vector machine (SVM)‐based method to gain a fairly accurate localization of sensor nodes. As opposed to many existing methods, our method assumes almost no extra equipment on the sensor nodes. Our experiments demonstrate that the probabilistic SVM method (PSVM) provides a significant improvement over existing localization methods, particularly in sparse networks and rough environments. In addition, a post processing step for PSVM, called attractive/repulsive potential field localization, is proposed, which provides even more improvement on the accuracy of the sensor node locations.