基于机器学习的跑道占用时间预测模型研究

伴随着我国民航事业的迅速发展,运输需求不断增加,通过规范跑道占用时间来提升跑道运行效率成为必然要求。采用了人工神经网络（ANN）、循环神经网络（RNN）、极度梯度提升树（XGBoost）、支持向量机（SVM）四种不同的机器学习方法构建跑道占用时间预测模型,并对建立的四种跑道占用时间预测模型预测结果进行对比分析。研究发现最适宜用来建立跑道占用时间预测模型的机器学习方法是人工神经网络,利用该方法建立的基于RNN的跑道占用时间预测模型预测效果最好,预测平均绝对误差仅为3.5130。该结论可以为未来研究跑道占用时间预测模型,规范跑道占用时间提供一定参考。     

一种基于机器学习的车牌识别系统研究

文章研究的车牌识别主要包括图像预处理、车牌定位和车牌字符识别3个部分。基于机器学习的车牌识别系统采用边缘检测方法,解决了车牌定位问题,使用支持向量机(Support Vector Machine,SVM)监督学习方式预测车牌字符的分类,从而解决字符识别的问题。     

基于神经网络和SVM的微钙化簇分类方法

乳腺X光片中的微钙化簇检测和分类是乳腺癌诊断过程中非常重要的步骤。文章提出了一种用于数字化乳腺X光片中微钙化簇的良恶性判断的计算机自动检测方法。检测通过三个步骤实现:团簇检测、特征提取、分类。在分类阶段,使用基于规则的系统对原始的特征集增强,利用人工神经网络和支持向量机分类技术,分类结果使用ROC曲线来评价。试验结果表明,SVM算法的分类性能高于神经网络分类方法,其中增强后的特征集只对神经网络分类方法起作用。     

一种基于支持向量机的内模控制方法

在基于数据的基础上,采用SVM回归理论建立系统的正向模型和设计逆模控制器.首先简要介绍了SVMR的原理,然后将其应用于内模控制问题,并建立了SVMR模型.其次,在控制过程可逆的条件下设计了SVMR控制器.最后将该控制方法应用于一可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与神经网络IMC相比,具有较简单的模型和较好的控制性能.     

基于SVM的人脸识别研究

针对人脸结构过于复杂,导致识别精度低的问题,提出基于支持向量机（Support Vector Machine,SVM）的人脸识别方法。首先,选取Gabor小波变换算法,利用高斯函数表示短时傅里叶变换的窗函数,通过对人脸图像的卷积运算,提取人脸图像的幅值特征以及相位特征。其次,选取主成分分析方法,对所提取的人脸图像特征进行特征降维处理。最后,设置完成降维处理的人脸特征值,作为SVM的输入,利用SVM输出人脸识别结果。实验结果表明,该方法在强光等复杂环境下,仍然可以精准识别人脸,人脸识别精度高于97%。     

一种新的基于ARIMA-SVM网络流量预测研究

研究网络流量预测精度问题,网络流量受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点,将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势;然后采用SVM对网络流量非线性和随机性趋势进行拟合;最后将两者结果再次输入SVM进行融合,得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试,仿真结果表明,ARIMA-SVM提高了网络流量预测精度,降低了预测误差,能更全面刻画网络流量变化规律。     

基于支持向量机的老年痴呆症-头发微量元素相关性研究

将支持向量机(SVM)应用于老年痴呆症(AD)的模式识别研究。通过测定22个AD患者和25个健康人头发样品中微量元素的含量,继用支持向量机算法研究头发中微量元素含量与AD的相关性,建立分类判别模型。结果显示:该模型对AD的判别准确率为100%,留一法交互预测准确率也达到100%。变量筛选结果表明,与AD症相关性最大的三种元素是Al、Cd、Mn,Al、Cd与AD呈现正相关,Mn与AD呈现负相关。同时与主成分分析进行了比较,表明SVM是更适合于进行这类非线性多变量相关分析的方法。     

一种基于支持向量机和遗传算法的自适应图像水印方法

提出一种基于支持向量机(SVM)和遗传算法(GA)的离散余弦变换(DCT)域盲数字图像水印方法.该方法能自适应于图像的局部特征.依据图像块的局部特性,利用SVM对图像块分类,自适应地确定水印嵌入强度,GA用来优化水印嵌入位置.实验结果表明该方法有较好的不可见性和较强对抗攻击的鲁棒性.     

基于机器学习的设备预测性维护方法综述

机器学习算法能够处理高维和多变量数据,并在复杂和动态环境中提取数据中的隐藏关系,在预测性维护技术中具有很好的应用前景。然而,预测性维护系统的性能取决于机器学习算法的选择,对目前应用与预测性维护中的机器学习算法进行综述,详细比较了几种机器学习算法的优缺点,并对机器学习在预测性维护研究中的应用进行了展望。     

一种基于SVM的函数模拟方法

支持向量机在高维空间中表示复杂函数是一种有效的通用方法,也是一种新的、很有发展前景的机器学习算法。本文提出采用基于支持向量机的非线笥回归法求解函数模拟问题。     

Simulation of Solar Radiation based on Three Machine Learning Methods

Quantitative simulation of solar radiation is essential for understanding climate change 0n the Loess Plateau, Many machine learning methods were developed to estimate solar radiation well, but different machine learning methods have different simulation accuracy in different regions, In order to achieve optimal simulation of solar radiation on the Loess Plateau, this provides more higher precision solar radiation data for crop models, hydrological models, and climate change models. In this study, three machine learning methods, including Random Forest (RF), Artificial Neural Network (ANN) and Support Vector Machine (SVM), were applied to estimate solar radiation on the Loess Plateau, three machine learning methods were trained using ground measurements at fourteen radiation sites from 2003 to 2009 and ten radiation sites from 2010 to 2016 and corresponding parameter pressure, cloud fraction, cloud optical thickness, ozone, precipitation water vapor and DEM, slope, and aspect to train the three model, The solar radiation estimates based on three machine learning methods were evaluated using ground measurements at four radiation sites from 2010 to 2016. The validation results show that the RF model has the best simulation effect on the Loess Plateau and surrounding areas. The average deviation is -0.17 MJ·m^-2, the root mean square error is 1.48 MJ·m^-2, and has a good fit of 0.96. The results show that combined RF model and meteorological data and remote sensing data can effectively solve the problem about solar radiation simulation on the non-radiation observation area of the Loess Plateau, which is of great significance to the research of regional solar radiation.     

SVM和ANN在网络安全风险评估中的比较研究

支持向量机和人工神经网络是人工智能方法的两个分支,详细介绍了支持向量机和人工神经网络原理。建立了网络安全评估指标体系,将支持向量机和人工神经网络同时应用于网络安全风险评估的过程中,通过实例比较了两者的评估效果,结果表明了支持向量机在小样本情况下分类正确率普遍高于人工神经网络,具有较好的分类能力和泛化能力;同时在训练时间上也有绝对的优势。实践证实了支持向量机用于网络安全风险评估的有效性和优越性。     

基于偏最小二乘的支持向量机多分类方法

该文提出了一种基于偏最小二乘（PLS）的支持向量机（SVM）多分类方法,该算法利用偏最小二乘思想对样本进行预处理,消除了样本属性之间的相关性,而且得到的综合属性与类信息的相关程度达到最大。通过实验可以看出,该方法不仅可以减少用支持向量机进行分类过程中的支持向量数目,而且当样本属性较多时,可以提高一定的识别率。     

基于模糊支持向量机的步态识别

提出基于模糊支持向量机（FSVM）的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。实验结果表明,模糊C均值法的识别率均略好于SVM,直接取值法的识别率甚至低于SVM,因此,选取正确的模糊隶属度确定方法是FSVM能否成功应用于步态识别的关键。     

一种新型智能僵尸粉甄别方法

为更有效地甄别微博僵尸粉,提出一种基于微博注册用户名特征提取的智能分类方法.以新浪微博作为研究平台,通过对微博用户数据进行分析,构建标准匹配库,提取用户名特征向量,再分别利用支持向量机(SVM)和人工神经网络(ANN)方法对特征集合进行分类.实验结果表明,将用户名特征提取与SVM、ANN相结合,僵尸粉甄别准确率均高于92％.     

增量回归支持向量机改进学习算法

传统的支持向量机不具有增量学习性能,而常用的增量学习方法具有不同的优缺点,为了解决这些问题,提高支持向量机的训练速度,文章分析了支持向量机的本质特征,根据支持向量机回归仅与支持向量有关的特点,提出了一种适合于支持向量机增量学习的算法(IRSVM),提高了支持向量机的训练速度和大样本学习的能力,而支持向量机的回归能力基本不受影响,取得了较好的效果。     

模糊支持向量机的偏移量计算方法

偏移量确定了支持向量机和模糊支持向量机（FSVM）的最优分类面位置,对分类性能具有较大影响。为提高模糊支持向量机的识别率,基于Fisher判别分析方法提出一种新的偏移量计算方法,将其用于FSVM多类分类器设计。对3种数据集的测试结果表明,使用新偏移量的FSVM识别率高于使用标准偏移量的FSVM识别率。     

一种基于SVM算法的垃圾邮件过滤方法

基于邮件内容的过滤是当前解决垃圾邮件问题的主流技术之一。针对垃圾邮件过滤本质是分类问题,提出了一种基于支持向量机对垃圾邮件过滤的方法,并且将SMO分类算法结合到垃圾邮件分类中。通过实验,SMO算法能够取得较好的分类效果,缩短了支持向量机分类器的分类时间。     

基于模糊集和支持向量机的文本流派分类方法

针对目前流派分类技术分类性能不够好的问题,将支持向量机和模糊集理论的优点结合起来,提出了一种基于模糊集和支持向量机的文本流派分类方法。并以电影评论作为数据集,比较和分析了该方法在不同文本特征生成方法、不同特征数目下的分类效果,并与SVM方法进行了比较,实验结果表明其微平均查准率要优于SVM方法。理论和实验都证明了提出的方法可以取得较好的分类性能。     

基于组合半监督的增量支持向量机学习算法*

增量支持向量机(ISVM)由于在每次增量学习过程中无法选择最有效的增量样本,导致模型的泛化性能较差.针对此问题,文中提出基于组合半监督方式的增量支持向量机学习算法(ICS³VM).通过将大量的无标记样本分批进行组合标记以选择最优的增量样本,即每次选择位于分类间隔内部的最有价值样本加入训练集,以此修正模型.同时选择分类间隔最大的一组标记作为最终标记,确保标记的准确性.在标准数据集上的实验表明,ICS³VM能以较高的学习效率提高模型的泛化性能.