开采地面沉陷预测的自适应神经模糊推理方法研究

现行各种开采地面沉陷预测方法均存在着一个共同的缺陷,均不能在集成以往开采地面沉陷工程实 例的基础上对某一地下采矿工程所引起的地面沉陷进行预测,而只能根据某种物理的或力学的方法对其进行预 测。人类在工程实践中所创造的开采地面沉陷方面的经验是非常宝贵的财富,应当在建立开采地面沉陷预测方 法时加以充分利用。以所收集的开采地面沉陷工程实例为基础现行各种开采地面沉陷预测方法均存在着一个共同的缺陷,均不能在集成以往开采地面沉陷工程实 例的基础上对某一地下采矿工程所引起的地面沉陷进行预测,而只能根据某种物理的或力学的     

Broiler chickens can benefit from machine learning: support vector machine analysis of observational epidemiological data

Machine-learning algorithms pervade our daily lives. In epidemiology, supervised machine learning has the potential for classification, diagnosis and risk factor identification. Here, we report the use of support vector machine learning to identify the features associated with hock burn on commercial broiler farms, using routinely collected farm management data. These data lend themselves to analysis using machine-learning techniques. Hock burn, dermatitis of the skin over the hock, is an important indicator of broiler health and welfare. Remarkably, this classifier can predict the occurrence of high hock burn prevalence with accuracy of 0.78 on unseen data, as measured by the area under the receiver operating characteristic curve. We also compare the results with those obtained by standard multi-variable logistic regression and suggest that this technique provides new insights into the data. This novel application of a machine-learning algorithm, embedded in poultry management systems could offer significant improvements in broiler health and welfare worldwide.     

Obscure bleeding detection in endoscopy images using support vector machines

Wireless capsule endoscopy (WCE) is a recently established imaging technology that requires no wired device intrusion and can be used to examine the entire small intestine non-invasively. Determining bleeding signs out of over 55,000 WCE images is a tedious and expensive job by human reviewing. Our goal is to develop an automatic obscure bleeding detection method by employing image color features and support vector machine (SVM) classifier. The bleeding lesion detection problem is a binary classification problem. We use SVMs for this problem and a new feature selection procedure is proposed. Our experiments show that SVM can be very efficient in processing unseen instances and may yield very high accuracy rate, in particular with our new proposed feature selection. More specifically, for this bleeding detection problem, training an SVM with 640 samples can be completed in as little as 0.01  second on a Dell workstation with dual Xeon CPUs, and classifying an image using the trained SVM can be done in as little as 0.03 milliseconds. The accuracy for both sensitivity and specificity can be over 99%. This work was partially supported by National Science Foundation grant IIS-0722106, IIS-0737861, and Texas ARP 003594-0020-2007.     

磁流变阻尼器的模糊逼近

由于磁流变液具有非线性特性，所以磁流变阻尼器的输入输出问具有很强的非线性关系。可准确描述其非线性特性的磁流变阻尼器正模型通常非常复杂，难以直接得到逆模型。考虑到某些模糊系统的万能逼近能力，本文提出用模糊系统来逼近磁流变阻尼器逆模型的新思路。根据自适应神经模糊推理系统原理，设计两个模糊系统分别逼近磁流变阻尼器的正模型和逆模型。研究结果表明：无论是正模型还是逆模型。对于训练数据，模糊系统均可以准确逼近，而对于检验数据也可比较准确逼近。正模型的逼近效果稍好，若要提高逆模型ANFIS的逼近精度．将以增加系统复杂性为代价。模糊逼近可以推广到其它的磁流变阻尼器模型中，特别是可对正模型未知的磁流变阻尼器进行建模与控制。     

AHP-模糊算法在卷烟制丝过程质量评价中的应用

目的为解决现有制丝评价系统粗放,只注重质量结果的评价,忽略控制过程本身的问题,建立适应当前工艺现状和过程控制数据分布特点的综合评价与管控方法。方法通过在工段、工序、工艺参数多层级间构建科学的评价结构,采用层次分析法计算各层级间指标权重,基于模糊算法建立百分制质量指数表征函数,最终通过批次综合得分Sbatch模型进行工艺质量评估。结果新构建的评价模型精准科学地评估了批次全工序过程控制水平,根据综合得分,可以实时追溯批次弱项指标并改进,批次优秀率(批次综合得分大于95分)达91.2%。结论构建了集约的制丝评价体系,从工艺参数到工序深入挖掘分析生产过程控制情况,实现了由结果评价向过程评价的转变,给生产操作工和工艺管理员提供实时借鉴,不断提高过程控制水平。     

红外序列图像的支持向量机分割方法

红外序列图像的准确分割是自动目标识别的关键,而当图像背景复杂时,传统的图像分割技术往往难以满足要求,为此,提出了基于支持向量机的红外序列图像分割方法。序列图像中的部分帧被作为训练样本,通过选择适合的模型参数,运用支持向量机方法建立学习机器,将后续图像帧中的目标从复杂的背景中识别出来,从而实现红外图像分割。实际红外序列图像分割表明,基于支持向量机的图像分割方法不需要复杂的预处理和后处理工作,分割效果理想,对于小目标的图像,识别正确率可达 99%。     

实时监控系统中运动人体图像分割

在运用差图像算法进行运动人体检测、噪声消除的基础上,提出了将统计直方图与梯度边缘检测相结合的算法以消除运动人体的影子;同时运用图像扩展模板并配合图像边界处平滑的算法对被分割人体的断裂处进行连接填充。实验结果验证了上述算法对噪声抑制、人影消除以及人体图像断裂处填充的有效性。     

商空间理论下面向对象的遥感影像分类

传统的分类方法仅仅基于像素光谱特征,不适合于高分辨率遥感影像.本文提出了一种新的基于商空间理论,面向对象的高分辨率遥感影像分类方法,即综合云模型、模糊支持向量机和决策树的分层合成分类技术.针对决定分类效果的两个因素,影像分割和分类算法,分别做出了一些改进.第一,本文提出了一个自适应的基于云模型的区域增长分割策略.第二,...     

基于多超平面支持向量机的图像语义分类算法

由于图像的低层可视特征与高层语义内容之间存在巨大的语义鸿沟,而基于内容的图像分类和检索准确性极大依赖低层可视特征的描述,本文提出了一种基于多超平面支持向量机的图像语义分类方法.多超平面分类器从优化问题的复杂度和运行泛化能力两方面进行研究,是最优分离超平面分类器一种显而易见的扩展.实验结果表明,本文提出的方法在图像语义分类的准确性方面要优于诸如采用色彩特征和纹理特征的支持向量机分类器的其它方法.     

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

基于支持向量机分类策略的多晶硅电池片色差检测

针对复杂颜色和纹理特征条件下,多晶硅电池片上的色差检测问题,提出了一种基于支持向量机分类策略的多晶硅电池片色差检测方法。首先对预处理后电池片图像进行颜色模型转换和通道分离,利用Otsu方法对单通道图像进行阈值分割处理,并计算各阈值图像的区域对比度,然后根据区域对比度情况选择合适的阈值图像,利用阈值图像所提供的信息提取图像特征;最后使用支持向量机分类器来判别电池片是否存在色差缺陷。实验结果表明提出的色差检测算法可以实现多晶硅电池片色差高效检测,色差缺陷检测的准确度、误检率和检测时间分别达到96.88%, 5％和109ms。