支持向量机在胃癌诊断预测中的应用

目的利用支持向量机-微量元素法建立胃癌的模式识别,以期作为胃癌诊断的辅助手段。方法采用电感耦合等离子体发射光谱法与支持向量机分类模式,判别健康者与患者血清中Zn、Fe、Cu、Ni、Co、Mo、Mn、Cr和Zn/Cu 9个指标,建立胃癌诊断的模型。结果多项式核函数和径向基核函数的平均总正确率分别为91.11%和93.33%,灵敏度和特异度也达到了良好的水平。结论本方法适于辅助诊断患者胃癌疾病,并为进一步研究微量元素与各种疾病之间的关系奠定了基础。     

支持向量机方法在烟叶可用性预测中的应用

为了对烟叶可用性分类进行评价,采用不同的核函数建立烟叶可用性支持向量机(Support Vector Machine,SVM)预测模型,对预测集样本进行预测,并与Fisher法的预测结果进行了比较。结果表明,SVM算法所建立的数学模型的预测准确率均比Fisher法高,且以径向基函数(RBF)建立的SVM分类模型的预测效果最好,对预测集样本的准确率达90%,说明SVM分类模型能较好地预测烟叶可用性。     

支持向量机在变压器故障诊断中的应用

变压器故障诊断的本质是一个多分类识别问题。支持向量机（Suppot Vector Machine,SVM）能够在小样本的情况下很好的解决这种故障识别,而参数合理选择对SVM的分类性能有很大的影响。讨论利用多种算法优化SVM分类器参数,并结合LIBSVM工具箱进行分析,给出了其GUI图形界面。对比分析了单一算法和混合算法对SVM性能的影响,并结合具体数据进行实例验证,可以作为变压器故障诊断辅助方法。     

支持向量机在入侵检测中的应用研究

介绍支持向量机和入侵检测的有关知识,从系统的有效性、可适应性和可扩展性的角度分析孝前入侵检测系统存在的问题以及将支持向量机应用于入侵检测系统的优点,同时提出一种基于支持向量机的入侵检测系统模型,并描述了该模型体系结构及其主要功能。     

卷烟焦油量的支持向量机预测

为探索预测和控制卷烟焦油量的方法,根据卷烟焦油量与烟叶内在化学成分之间的关系,提出了基于支持向量机的卷烟焦油量预测方法。介绍了支持向量回归估计的学习算法,应用SVM方法建立了基于支持向量机的卷烟焦油量预测模型。计算实例表明,该方法能够根据烟叶中的化学成分测量值来预测卷烟的焦油量。     

支持向量机在酒精发酵过程建模中的应用

支持向量机(SVM)是近年来发展起来的一种基于统计学习理论,采用结构风险最小化的新型学习机器.将支持向量机应用到酒精发酵生产过程建模中,仿真结果表明,支持向量机模型是有效的,SVM模型比BP网络模型有更好的预测能力.     

用支持向量机预测织物的悬垂性能

提出织物悬垂性预测的一种新方法 -支持向量机 ,用它表达了织物悬垂性与织物结构参数之间复杂的非线性关系 ,并建立了相应的预测模型。     

基于改进支持向量机的温室大棚温度预测

针对温室大棚中影响温度预测的因素以及温室大棚温度变化存在的非线性问题,提出基于改进支持向量机的温度预测模型。支持向量机选择性能较好的RBF核函数,结合网格搜索算法对支持向量机的核参数和惩罚因子进行动态寻优,考虑光照强度、湿度、风速对温度的影响。实验结果表明,与其他模型相比,改进的支持向量机预测误差更小,精度更好。     

支持向量机模式识别方法及其在农产品品质快速无损检测中的应用

支持向量机(Support Vector Machines)是一类基于统计学习理论的机器学习算法，是刚发展起来的新模式识别与分类技术。作者阐述了支持向量机的基本原理，并对支持向量机技术在农产品品质快速无损检测中的应用进行初步探讨。     

采用神经网络和支持向量机预测啤酒中乙酸含量

啤酒中的乙酸大多是酵母在发酵过程中产生的。乙酸含量对啤酒风味的影响显著,尤其是含量高于闽值时。因此,控制乙酸的含量对保证啤酒风味一致性非常重要。在本项研究中,采用人工神经网络和支持向量机（SVM）来预测啤酒发酵结束时的乙酸含量。啤酒发酵过程参数和啤酒中乙酸含量之间的关系采用偏最小二乘（PLS）回归法、反向传播神经网络（BP—NN）、径向基函数神经网络（RBF—NN）和最小二乘支持向量机（LS-SVM）进行建模。本研究中所使用的数据来自同一品牌啤酒的146个生产批次。LS—SVM和RBF预测乙酸含量要优于RBP—NN和PLS。对比RBF—NN和LS—SVM,RBF—NN构建的模型可靠性更好,但预测的准确性要低一些。SVM有较好的泛化性,但是模型的可靠性较低。总之,在这项研究中,预测大生产啤酒发酵中的乙酸含量时,LS-SVM模型要优于RBF。     

基于机器视觉与支持向量机的核桃外部缺陷判别分析方法

使用3CCD高精度面阵相机采集新疆多个品种核桃RGB图像,设计一种自适应双阈值的Otsu法,快速、准确地分割出缺陷区域;基于分割区域的几何、纹理等20 个初始特征,转换为新的9 维特征向量集;以该特征集为输入,建立基于贝叶斯、BP神经网络与支持向量机的15 个识别模型,对比评价其适应性,以及裂缝、碎壳、黑斑3 类核桃外部缺陷的识别性能与时间。结果表明,基于径向基的支持向量机识别模型效果最好,对3 类缺陷的验证集平均识别率分别为93.06%、88.31%、89.27%,对缺陷的总识别率为90.21%,平均识别时间为10－4 s级。研究成果能够用于今后核桃缺陷的在线检测与分级,同时也为坚果等其他作物品质的在线检测识别提供一定参考。     

基于SVM的打浆度软测量建模及应用

针对打浆度在线直接测量的难点,采用SVM（支持向量机）算法,通过实际采集的数据建立工业现场的打浆度软测量模型。使用OPC技术建立数学软件MATLAB与组态软件WINCC之间的数据交换通道,实现了打浆过程打浆度的在线软测量。