基于卷积神经网络的反无人机系统图像识别方法

针对无人机的无证飞行和随意飞行严重影响和威胁公共安全的问题,提出了反无人机系统。识别无人机是反无人机系统实现的关键之一,为此提出了一种基于卷积神经网络的图像识别无人机方法。运用自制光学系统采集设备采集了不同型号的无人机图片以及鸟类图片,设计了针对无人机小样本识别的卷积神经网络和支持向量机。运用设计的卷积神经网络分别对MNIST数据集、无人机图片以及鸟的图片进行了识别,同时也运用支持向量机识别无人机和鸟的图片,进行了对比实验。实验结果表明,设计的卷积神经网络在MNIST数据集上识别准确率为91.3%,识别无人机准确率为95.9%,支持向量机识别准确率为88.4%。对比实验表明,提出的方法可以识别无人机和鸟以及不同类型的无人机并且识别结果优于支持向量机,可用于反无人机系统识别无人机,给同类研究提供了借鉴。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题,研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究,分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别,通过多组蒙特卡罗试验,获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

遗传算法的噪声干扰数字图像分类性能评价

针对现实中各种噪声干扰的数字图像识别分类的问题,提出了基于遗传算法优化的BP神经网络和支持向量机神经网络两种方案,先在无噪声干扰情况下建模,然后加入人工噪声模拟现实中的噪声干扰。结果表明,遗传算法优化后的支持向量机网络方案具备更好的抗噪声干扰能力,在噪声干扰数字图像分类中具有更高应用价值。     

基于粒子群优化相关向量机的网络入侵检测

构建计算机网络的入侵检测系统,对于保护网络中的信息免受各种攻击显得非常重要.为了克服支持向量机的缺点,提出了一种基于粒子群优化相关向量机(RVM)网络入侵检测方法.相关向量机是一种建立在支持向量机上的稀疏概率模型.与支持向量机相比,它不仅具有较高检测精度,还具有较好的实时性,粒子群优化算法用于确定相关向量机的核参数.最后结合试验将提出的方法同支持向量机算法、BP神经网络进行了比较,结果表明提出的相关向量机相比于支持向量机、BP神经网络有着更高的入侵精度.     

管道缺陷漏磁信号分类与识别方法的研究

为了提高管道漏磁检测缺陷识别的准确性和识别效率,引入支持向量机作为缺陷分类与识别的平台.利用ANSYS软件对具有不同长度、宽度和深度的多组缺陷模型进行缺陷漏磁场仿真,将仿真得到的漏磁场磁通密度数据保存在文本文件中,封装成符合LIBSVM支持向量机工具格式的训练数据,对支持向量机训练.使用训练后得到的支持向量机模型进行缺陷分类.实验结果表明,支持向量机分类性能良好,应用在漏磁检测缺陷分类中具有可行性.     

支持向量机算法及应用

系统介绍了统计学习理论和支持向量机的基本思想，总结、比较了二分类和多分类2种情况下支持向量机的主要训练算法。与人工神经网络相比，分析了支持向量机的优点。归纳了支持向量机在模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子中的应用。     

交通监控系统中车辆和行人的检测与识别分析

在识别以及检测行人以及车辆的过程中主要是将帧间差分结合起来,建立动态交通场景视频图像监控的序列背景模型,之后再借助背景消除法有效检测监控视频中目标的运动状况,将运动目标的轮廓提供出来,最后利用支持向量机,快速识别检测出来的运动目标。研究结果显示,这样的识别和检测的方法更加有助于精确地检测和分类识别,在监控视频中运动的行人以及车辆,自动报警有出现非法入侵的行人。本文探析了在实际的监控交通系统中识别以及检测行人以及车辆的主要状况分析,帧间差分动态更新背景模型的运动目标检测算法,以及基于支持向量机基础之上自动识别行人以及车辆。     

基于模式识别方法的肺癌分型比较

根据不同特征对分型准确率的影响,使用Logistic回归分析进行特征选择及优选实验研究,并采用神经网络和支持向量机方法对常见的周围型肺癌进行分型比较。通过实验,说明了神经网络和支持向量机在肺癌分型的应用方法,比较了两种模式识别方法在肺癌分型中的运用情况,验证了支持向量机在小样本情况下比神经网络具有更强的泛化能力。     

支持向量机在仓储物害虫分类识别中的应用研究

仓储物害虫自动分类识别是储粮生态系统中的重要研究课题之一。近年来，支持向量机以其出色的学习性能，已成为机器学习领域的一个研究热点。本文在研究支持向量机理论的基础上，将支持向量机引入仓储物害虫的分类识别中。实验表明，该方法与传统的神经网络方法相比，克服了后者固有的过学习和欠学习问题，并且对复杂模式的识别能力较强，达到了较高的识别率，这为仓储物害虫的快速鉴定和分类研究开辟了新的途径。     

基于支持向量机的关键词拒识算法

支持向量机是统计理论学习中一个重要的学习方法，也是解决模式识别问题的强有力工具，尤其在二元分类上有着突出的优势。拒识技术是语音识别系统走向实用化的关键技术之一，但由于语音信号的复杂性，使得拒识一直是语音识别技术中的难题。有机的将支持向量机技术应用于关键词识别的拒识问题中，把关键词识别中的正识和误识作为支持向量机的二元分类对象。这种方法避免了传统拒识方法对拒识门限的确定，同时充分发挥了支持向量机在二元分类上的优势。实验表明该算法效果较为有效。     

基于PSO_SVM的射频功率放大器模型研究

针对神经网络和支持向量机在射频功率放大器建模领域存在的优缺点,提出一种利用PSO_SVM算法对射频功率放大器进行建模的方法.从理论上分析了支持向量机(SVM)及粒子群优化(PSO)算法的相关原理,并将PSO_SVM算法应用到功放器件建模中.仿真结果表明,基于PSO_SVM的射频功放模型在模型精度、小样本学习和逼近能力方面均优于传统SVM模型和BP神经网络(BPNN)模型.     

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究

传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络（Convolutional Neural Network,CNN）在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象（文中为金属平板试件）进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。     

基于BP网络和支持向量机的雷达高分辨距离像识别

利用雷达目标识别的重要手段之一高分辨距离像,使用误差反传前馈神经网络和支持向量机两种方法分别对其进行识别,并比较二者的识别性能。实验结果表明二者具有相似的抗噪性能和相位角敏感性,而后者的平均识别率较前者有所提高,且对同一样本集支持向量机的识别结果比较稳定。     

基于KPCA和LSSVM的表面缺陷深度识别

为了实现铝板表面缺陷智能识别分类,解决支持向量机在识别过程中准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在缺陷深度识别分类的应用进行了研究。采用核主成分分析算法对实验获取的激光超声信号进行时域特征参数提取主成分,并将多个满足要求的主成分作为输入,建立KPCA-LSSVM分类模型对表面缺陷进行识别。结果表明,该模型精准率和召回率高于优化前的系统,识别准确率达到了95%。     

基于支持向量机的说话人辨认研究

支持向量机是统计学理论的一个重要的学习方法，也是解决模式识别问题的一个有力的工具，本文提出了用支持向量机来解决说话人辨认问题。结合语音信号的特点，解决了大数据量情况下支持向量机的训练问题。支持向量机对两类的分类问题有着突出的优势，本文用两种判决规则将两类问题应用到多类的识别问题。用支持向量机实现了一个与文本无关的说话人辨认系统，实验表明，本方法有良好的效果。     

支持向量机在油田系统建模中的应用

在以往油层含油判别分析的基础上提出了一种基于支持向量机的油藏建模方法，应用已知油层的原始资料作为已知信息，建立油气水层的识别模型，对某油区油气水层分布规律进行了解释。结果表明，采用支持向量机判断的油气分布规律与实际试油结果完全一致。同时，将支持向量机用于试井压力恢复曲线的拟和，拟和的最大相对误差为0．9623％.这表明将支持向量机算法用于油田系统建模是十分有效的。     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

支持向量机理论与应用研究综述

文章研究支持向量机技术,分析支持向量机的运行基本原理,研究支持向量机技术中的多类问题和选择核函数,并且从人脸检测、文本分类、处理图像、识别手写字符等方面合理分析支持向量机,为进一步应用和发展支持向量机技术提供依据和保证。     

基于VMD和ReliefF算法的汽车鸣笛声识别方法

传统梅尔频率倒谱系数（MFCC）和线性预测倒谱系数（LPCC）特征的汽车鸣笛声识别方法在识别模型中分辨力不足,针对此问题,提出了一种基于变分模态分解（VMD）和ReliefF融合特征的汽车鸣笛声识别方法。该方法将变分模态分解所得的前四个模态分量进行信号重构,提取重构信号的MFCC、LPCC、声谱图特征参数。通过ReliefF算法融合MFCC和LPCC特征,并输入识别模型,实现汽车鸣笛声的准确识别。结果表明,该方法在BP模型中的识别率、识别速度均优于其他特征在BP、支持向量机、卷积神经网络识别模型中的识别效果,在汽车鸣笛声识别领域具有一定应用价值。     

利用SVM的聚类算法在时间序列信号识别中的应用

研究了一维时间序列信号识别的问题.针对基于混合高斯模型的隐马尔科夫(HMM)编码准确率低的问题,提出了一种利用多个支持向量机构造混合支持向量机,从而为隐马尔科夫模型提供更精确的观测值编码和发生矩阵,能有效的提高HMM在语音信号识别或者文字识别中的准确率.本方法可以应用到语音识别,文字识别以及生物信息处理等领域.