履带机器人基于时频特征与PCA-SVM的 地面分类研究

为了提高履带机器人对地面分类的准确率,提出一种基于时频特征和PCA-SVM的地面分类方法。对振动信号采用时域幅值和现代功率谱分析同时进行时频特征提取,并运用主成分分析法(PCA)进行时频特征的融合和简化,然后利用LIBSVM中的一对一支持向量机(SVM)程序,实现地面识别分类。控制履带机器人以2种速度在5种不同的地面上行驶,利用其上安装的惯性导航传感器采集3个方向直线加速度和三轴的角速度信号,采用本文算法和单一特征分类算法对信号分别进行时频特征处理与地面分类试验。结果表明,本文算法在机器人速度0. 02m/s时可得到更好的分类效果。该方法可为履带机器人实现更有效的地面环境感知和自身在最佳状态下的导航控制运行提供技术支持。     

萤火虫算法优化SVR参数在短期电力负荷预测中的应用

由于萤火虫算法(FA)具有全局性能好、收敛精度高等优点,因此将萤火虫算法用于SVR的惩罚系数C和核参数σ的优化选取中。为提高迭代收敛速度和寻优精度,对萤火虫算法加以改进,在迭代过程中对亮度最亮的萤火虫位置施加随机扰动;将参数经过优化选取的SVR用于短期电力负荷预测,并将预测结果与采用网格搜索法、遗传算法、粒子群算法得到的结果做比较。其结果表明,采用改进萤火虫算法作参数寻优的SVR的负荷预测精度高,效果最好。     

基于均匀设计的特征选择方法

针对模式识别系统中有效特征的选择问题,采用支持向量机作为分类器,提出了基于均匀设计的特征选择方法.根据均匀设计表的结构及采用的数据集进行训练、测试,最后检验所选的特征子集.实验结果表明,该方法能够有效地去除数据集的冗余特征,取得比使用特征全集更好的分类性能.     

基于空间金字塔的BoW模型图像分类方法

针对不同场景图像下词袋(bag of words,BoW)模型的图像分类准确率较低的问题,提出了一种基于空间金字塔BoW模型的图像分类方法。该方法通过尺度不变特征变换(scale-invariant feature transform,SIFT)算法提取原始图像像素特征点作为视觉特征,对相似视觉特征进行聚类形成视觉词袋,并采用空间金字塔方法对视觉词袋进行划分,构建空间金字塔的BoW模型,通过支持向量机分类器对分层后的视觉词袋进行图像分类。分别使用BoW模型和空间金字塔的BoW模型分类方法对网络图像数据库进行分类实验对比,结果表明,空间金字塔BoW模型能有效提高BoW模型的图像分类准确率。     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.     

基于二维Gabor小波和支持向量机的人脸识别

针对人脸识别中的高维、小样本问题,提出了一种基于二维Gabor小波和支持向量机的人脸识别方法。首先对人脸图像进行多分辨率的Gabor滤波,对得到的人脸Gabor特征向量空间进行均匀下采样来降低特征空间维数,然后用主成分分析方法来进一步降低人脸Gabor特征向量空间的维数。接着把得到的人脸Gabor特征向量作为支持向量机的输入进行训练获得人脸分类器。通过对ORL和Yale两个人脸库的试验,表明该方法具有识别率高和鲁棒性强的特点。     

基于蚁群算法的多光谱遥感图像分类

该文应用蚊群算法和支持向量机实现多光谱遥感图像分类.首先提取出多光谱遥感图像的光谱特征、纹理特征和形状特征,然后利用蚁群优化算法从提取出的多维特征空间中选择最优的特征子集向量,最后将特征子集作为支持向量机分类器的输入量实现分类.实验结果显示,较传统的K均值方法文章给出的方法能够提高遥感图像的分类精度.     

基于多尺度CNN特征的国画图像分类算法

为了捕获国画图像的局部表现手法而实现风格分类,提出一种基于多尺度卷积神经网络(Convolutional Neural Network,CNN)特征的国画图像分类算法.该算法先对AlexNet网络模型进行改进,得到精简AlexNet网络模型以降低网络深度与参数规模.然后采用非对称空间分块方法对训练样本进行数据扩充,训练...     

基于迁移学习的乳腺肿瘤组织病理图像分类研究

乳腺癌是一种严重危害人体健康的恶性肿瘤,准确的诊断对于预防和治疗乳腺癌至关重要。相比人工检测的方法,计算机辅助检测系统更为高效省时。研究基于迁移学习方法,在微调Alexnet模型的基础上采用基于核的支持向量机（SVM）作为分类器构建了Alexnet-SVM模型,使用该模型对BreakHis数据库中的乳腺肿瘤组织病理图像分类。为了进一步提高模型的分类准确率,使用GA、GWO、Grid三种算法对SVM的核参数进行了优化。结果表明,经过GA算法优化过后的SVM对BreakHis数据库中不同放大倍数（40,100,200,400）下的乳腺肿瘤组织病理图像平均分类准确率分别达到97.51%、97.65%、97.68%和97.12%。相比目前已有的深度神经网络模型,所提出的模型分类准确率更高。研究结果对于乳腺癌的早期诊断具有重要的临床应用价值。     

彩色图像数据库中目标特征数据挖掘方法

针对由于彩色图像数据特征较多使得目标特征挖掘容易出现不确定性的问题,提出一种新的彩色图像数据库中目标特征数据挖掘方法.采用减法聚类算法对彩色图像数据进行聚类,采用离群点检测技术对聚类数据进行分类处理,采用量子行为粒子群优化方法选取最优目标图像特征数据,并与结构相似度计算方法相结合,实现对最优目标图像特征数据的挖掘.结果证明,该方法相比传统的挖掘方法,其挖掘召回率降低了约17%,挖掘精确度提高了约28.6%.     

基于磁共振图像的脑瘤MGMT表达状况检测算法

针对脑胶质瘤的O6 甲基鸟嘌呤-DNA甲基转移酶(MGMT)表达状况检测受主观影响的问题,以中国脑胶质瘤患者的磁共振图像（MRI）为研究对象,提出一种包括特征提取、特征优化和模式分类的图像处理方法.利用图像的灰度共生矩阵、灰度 梯度共生矩阵和二维离散正交S变换(2D-DOST)提取肿瘤病变区域的纹理特征,结合环形增强和年龄特征构成初始特征集.将k最邻近法（KNN）与支持向量机（SVM）结合,进行特征优化.使用留一交叉检验法(LOOCV),将最优特征集进行SVM分类.分别对25位脑胶质瘤患者的T1加权、T1增强和FLAIR序列的磁共振图像进行分析.结果表明,该算法能够降低特征集的冗余程度,克服小样本分类困难,准确有效地检测MGMT表达状况.     

基于PCA-SVM多生理信息融合的情绪识别方法

为了有效解决情绪识别过程中多种生理信息融合所导致的运算量过大的问题,提出了一种主成分分析(principal component analysis, PCA)与支持向量机(support vector machine, SVM)相结合的情绪识别方法。利用主成分分析法,求出各特征对情绪识别效果的影响权重,通过阈值法选择权重较大的特征组成新的特征子集,从而减少SVM的输入特征维数,降低算法的运算量。试验结果表明,该方法可以有效提高算法的执行效率。     

基于多源数据特征融合的球磨机负荷软测量

针对磨矿过程球磨机负荷(ML)难以实时检测,生产中主要依靠人工经验判断负荷状态的难题,依据磨机筒体振动、振声、电流等信号与磨机负荷间存在相关性、信息互补与冗余的现象,提出基于多源数据特征融合的球磨机负荷软测量新方法.该方法由时域滤波、时频转换、特征提取、特征选择及软测量模型5部分组成.采用快速傅里叶变换(FFT)将滤波后的筒体振动及振声时域信号转换成频域信号,根据研磨机理将频域信号划分为低、中、高3个频段,采用核主元分析(KPCA)分别提取各个频段的非线性特征,选择振动、振声频域特征与电流时域特征的融合信号作为模型输入,建立基于最小二乘支持向量机(LSSVM)的磨机负荷软测量模型.实验结果表明,该方法与基于主元分析-最小二乘支持向量机(PCA-LSSVM)方法和单传感器方法相比,磨机负荷参数预测精度较高.     

SVM model for estimating the parameters of the probability-integral method of predicting mining subsidence

A new mathematical model to estimate the parameters of the probability-integral method for mining subsidence prediction is proposed. Based on least squares support vector machine (LS-SVM) theory, it is capable of improving the precision and reliability of mining subsidence prediction. Many of the geological and mining factors involved are related in a nonlinear way. The new model is based on statistical theory (SLT) and empirical risk minimization (ERM) principles. Typical data collected from observation stations were used for the learning and training samples. The calculated results from the LS-SVM model were compared with the prediction results of a back propagation neural network (BPNN) model. The results show that the parameters were more precisely predicted by the LS-SVM model than by the BPNN model. The LS-SVM model was faster in computation and had better generalized performance. It provides a highly effective method for calculating the predicting parameters of the probability-integral method.     

Predicting configuration performance of modular product family using principal component analysis and support vector machine

A novel configuration performance prediction approach with combination of principal component analysis（PCA） and support vector machine（SVM） was proposed.This method can estimate the performance parameter values of a newly configured product through soft computing technique instead of practical test experiments,which helps to evaluate whether or not the product variant can satisfy the customers＇ individual requirements.The PCA technique was used to reduce and orthogonalize the module parameters that affect the product performance.Then,these extracted features were used as new input variables in SVM model to mine knowledge from the limited existing product data.The performance values of a newly configured product can be predicted by means of the trained SVM models.This PCA-SVM method can ensure that the performance prediction is executed rapidly and accurately,even under the small sample conditions.The applicability of the proposed method was verified on a family of plate electrostatic precipitators.     

Wavelet hierarchical model for aurora images classification

In order to improve the accuracy of aurora images classification, an algorithm based on the wavelet hierarchical model is proposed. In the proposed algorithm, the global and local wavelet features are extracted hierarchically first, then reduced in dimensions through the principal component analysis and used to classify the arc and three corona aurora images by the use of the support vector machine. By comparing the classification accuracy and time consumption, the optimal parameters in the wavelet hierarchical model are experimentally obtained and the validity of principal component analysis in feature optimization is verified. Experimental results show that the proposed algorithm improves the classification accuracy to a great degree with an acceptable time consumption compared with classical algorithms. Classification results between each two types of aurora images also provide some potential ways to improve the accuracy.     

Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents

According to the chaotic and non-linear characters of power load data, the time series matrix is established with the theory of phase-space reconstruction, and then Lyapunov exponents with chaotic time series are computed to determine the time delay and the embedding dimension. Due to different features of the data, data mining algorithm is conducted to classify the data into different groups. Redundant information is eliminated by the advantage of data mining technology, and the historical loads that have highly similar features with the forecasting day are searched by the system. As a result, the training data can be decreased and the computing speed can also be improved when constructing support vector machine (SVM) model. Then, SVM algorithm is used to predict power load with parameters that get in pretreatment. In order to prove the effectiveness of the new model, the calculation with data mining SVM algorithm is compared with that of single SVM and back propagation network. It can be seen that the new DSVM algorithm effectively improves the forecast accuracy by 0.75%, 1.10% and 1.73% compared with SVM for two random dimensions of 11-dimension, 14-dimension and BP network, respectively. This indicates that the DSVM gains perfect improvement effect in the short-term power load forecasting.     

基于核主元分析和支持向量机的电站锅炉飞灰含碳量软测量建模

飞灰含碳量是影响锅炉热效率的一个重要因素,是评价燃烧好坏和锅炉优化运行的重要指标。利用最小二乘支持向量机这种新的机器学习工具,建立了飞灰含碳量的软测量模型。针对模型输入变量之间存在强耦合、非线性等特征,采用核主元分析(KPCA)提取变量的特征信息以有效处理非线性数据。应用该模型对某300MW四角切圆燃煤电站锅炉的飞灰含碳量进行研究,理论分析和仿真计算表明,该方法学习速度快、泛化能力强、对样本的依赖程度低,比BP神经网络的软测量建模具有更好的推广能力。