基于相关向量机的语音识别算法研究

对基于相关向量机和矢量量化的语音识别算法模型进行了一系列的研究。与支持向量机识别算法相比,该算法基于贝叶斯统计模型理论,能够给出样本属于某一类的后验概率;而且,该算法充分利用了相关向量机所具有的高泛化性、核函数功能和结果的高稀疏性。基于矢量量化的特征提取仿真表明,该算法在减少相对误差和计算量方面有较大的优势。     

基于声学特征凸显的汉语疑问句检出

疑问句在语音交际中占有重要地位,检出语音交际中的疑问句对把握语义重心和分析话语结构具有重要作用。在分析疑问语气凸显的声学特征的基础上,提出了一种基于声学特征凸显的汉语疑问句检出方法。该方法用支持向量机(SVM)对小时间粒度的疑问语气凸显进行建模,通过基于加窗机制的后处理方法判决语音是否为疑问句。在面向电话客服应用环境录制模仿的和真实的汉语对话语音库上进行了算法测试。实验表明该方法对汉语疑问句具有较好的检出性能。     

支持向量机在隧洞超挖预测中的应用

介绍了支持向量机算法及围岩破坏模式识别的支持向量机算法,利用支持向量法分类算法对隧道围岩超挖块体的大小进行了分类,并建立了预测模型,计算结果表明用支持向量机能较好地预测超挖块体的大小。     

基于小波分解和支持向量机的办公建筑空调负荷预测北大核心

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

基于小波分解和支持向量机的办公建筑空调负荷预测

提出了一种基于小波分解-支持向量机(WD-SVM)的办公建筑空调负荷预测建模方法,利用小波分解将具有较强随机性和非线性的空调负荷信号进行分解,然后利用支持向量机对分解后不同频率下的分支数据进行预测建模,从很大程度上避免了由于训练样本不完备而导致的支持向量机预测精度波动。仿真结果表明,WD-SVM方法的预测精度评价指标EEP比单支持向量机法降低33.6%,预测精度有明显提升。     

基于进化支持向量机的单桩竖向极限承载力的预测

通过将改进遗传算法与支持向量机相结合,建立一种用于单桩竖向极限承载力预测的进化支持向量机模型。这种方法基于实测数据,利用遗传算法搜索最优的支持向量机参数,用获得的最优模型进行学习,从而得到泛化能力更好的预测模型。结果表明,该算法可以有效地解决支持向量机的参数确定问题,给出的算例结果是令人满意的。     

基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。     

基于支持向量机的混凝土双轴动态强度预测

介绍了基于支持向量机的混凝土双轴动态强度预测方法,并且利用MATLAB软件编写了相应的支持向量机程序,建立了混凝土双轴动态强度预测模型,与已经普遍应用的神经网络方法进行对比,结果表明支持向量机的方法可以更好地预测混凝土双轴动态强度,且方便可行。     

基于SVR-EVM的项目进度-成本评价及预测研究

在介绍挣值法和支持向量机的基础上,提出借助项目的进度绩效指数和成本绩效指数建立回归型支持向量机模型,从而预测下一阶段的进度和成本偏差。提出利用交叉验证方法选择惩罚系数、不敏感损失系数和核函数的宽度,使回归型支持向量机模型具有较好的泛化能力。最后结合具体案例详细介绍了建立回归型支持向量机模型以及利用此模型进行预测的步骤。案例表明该方法是可行的和有效的。     

基于支持向量机的边坡可靠性分析

将支持向量机与一阶二次矩方法结合,提出了边坡可靠性分析的支持向量机方法。利用极限平衡分析构造学习样本,通过支持向量机学习,建立安全系数与随机变量之间映射关系的支持向量机表达,进而实现边坡极限状态函数及其偏导数的显式表达,从而计算边坡的可靠性指标。该方法避免了传统可靠性分析的缺点。利用一个算例进行了分析,结果表明:该方法计算效率高,结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。