共查询到10条相似文献,搜索用时 203 毫秒
1.
2.
3.
4.
5.
将支持向量机引入响应面重构计算中,利用支持向量机对小样本数据优秀的拟合和泛化能力,提出了一种最小二乘支持向量机响应面新方法,并将其应用于大型钢管焊接结构的模型修正及损伤识别中。对最小二乘支持向量机响应面的核函数进行了加权,提出一种综合了一次多项式核函数的线性模拟能力和高斯核函数非线性拟合能力的线性-高斯组合核函数。同时对训练样本进行了尺度变换,并对训练样本的选择方法进行了改进。通过损伤识别数值仿真及实验验证,与传统灵敏度方法进行了对比,结果表明改进响应面方法的识别效果更好,且收敛性及精度也大大提高了,为解决大型复杂结构的损伤识别问题提供了新的思路。 相似文献
6.
7.
何振红 《工业仪表与自动化装置》2016,(1)
提出了一种基于离散曲波变换和最小二乘支持向量机(LS-SVM)的虹膜特征提取与分类识别的新方法。对虹膜纹理采用离散Curvelet变换,提取低频子带系数矩阵的均值方差和高频子带能量作为虹膜图像的特征向量,利用最优二叉树多类LS-SVM分类器进行分类与识别。MATLAB仿真实验结果表明,与现有方法相比,该算法识别准确率较高,能有效应用于身份认证系统中。 相似文献
8.
9.
针对铸件图像噪声多和对比度不足引起的缺陷识别困难的问题,文中提出了一种基于集成学习的铸件缺陷识别方法。首先,该方法采用灰度变换法、双边滤波以及自适应图像分割法对铸件图像进行预处理。然后,通过提取方向梯度直方图(Histogram of Oriented Gradients, HOG)特征、不变矩特征和局部二值模式(Local Binary Pattern, LBP)纹理特征构建全信息特征集,并结合支持向量机递归特征消除(Support Vector Machine-Recursive Feature Elimination, SVM-RFE)算法筛选铸件缺陷敏感特征。最后,利用Adaboost-RF(Adaptive Boosting-Random Forest)方法构建铸件缺陷识别模型。对比实验结果表明,该模型不仅可以有效提取缺陷敏感特征,而且相较于其他分类器具有更好的分类性能和泛化能力。 相似文献
10.
支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。 相似文献