支持向量机在模式分类中的应用

通过支持向量分类算法包括4类：线性分界面硬间隔、线性分界面软间隔、非线性分界面硬间隔和非线性分界面软间隔,区分线性和非线性支持向量机是否引入核函数和具有惩罚因子。以RBF为核函数的非线性支持向量机对2类2维样本进行仿真分析。结果表明,支持向量机分类能力受核函数参数影响较大,当选取适当参数时,其分类性能与最近邻法相当。     

基于遗传算法优化支持向量机的航空装备维修费用预测

针对传统航空装备维修费用预测方法难以计算得到满意结果的问题,建立遗传算法优化支持向量机的航空装备维修费用预测模型。将遗传算法与支持向量机相结合,利用遗传算法对支持向量机的参数进行优化,通过实例对GA-SVM模型的应用进行分析对比。结果表明：在航空装备维修费用预测中,该模型比SVR、BP神经网络、偏最小二乘回归以及传统普通多元线性回归方法,具有更高预测精度和泛化能力。     

支持向量机遥感图像几何校正中的不同核函数算法比较

支持向量机遥感图像近似几何校正算法可有效提高遥感图像校正的精度,是目前比较有效的遥感图像近似几何校正方法。对不同核函数支持向量机遥感图像近似几何校正算法的实验结果进行比较分析表明:基于RBF核函数的支持向量机遥感图像几何校正算法在支持向量机遥感图像几何校正算法中具有明显的优越性。     

基于多核优选的装备费用支持向量机预测法

针对支持向量机的核函数选择存在盲目性问题,提出多核优选的装备费用支持向量机预测方法。在不同核函数条件下,以提高推广能力拟合精度为目标,结合变步长多层次搜索算法选择最佳参数,确定拟合效果,通过判断选择最佳核函数。实例计算表明,多核优选的支持向量机预测方法精度高,通用性好。     

基于SVM的航空兵空运转场载机架次预测研究

分析影响载机架次的主要因素,利用支持向量机(SVM)理论建立非线性回归模型,通过反复试验和网格搜索算法确定预测模型的核函数及参数,进而对载机架次进行预测.预测结果表明:同BP神经网络预测模型相比,支持向量机预测模型具有良好的泛化能力及准确的预测结果.     

基于多目标蚁群优化的单类支持向量机相似重复记录检测

为解决数据源中相似重复记录样本稀少问题,提出一种基于多目标蚁群优化的单类支持向量机相似重复记录分类检测方法。根据记录对中2条记录是否相似,将相似重复记录检测建模为二分类问题,用单类支持向量机进行分类,并且只用不相似重复记录样本对进行训练;选择合适的属性相似度函数计算记录对之间的相似特征向量,将其作为单类支持向量机分类器的输入进行二分类检测;建立以查准率、查全率、特征数量综合最优为目标的多目标特征选择模型,结合训练样本为单类样本的特点,将启发式因子定义为类内散度最小化约束,设计了求解模型的多目标蚁群算法。通过将单类支持向量机算法和支持向量域描述算法、传统二分类支持向量机算法进行对比,结果验证了单类支持向量机算法的有效性和优越性。     

贝叶斯证据框架下的支持向量机及其在陀螺漂移预测中的应用

将贝叶斯证据框架引入到标准支持向量机中去，研究了贝叶斯证据框架下标准支持向量机的参数调整方法，并具体研究了高斯核情况下参数的调整．利用获得的结论对陀螺漂移数据进行了预测．结果表明，该方法为参数的选取提供了一个统一的框架，克服了在样本改变的情况下标准回归支撑矢量机方法中某些参数只能凭经验通过交叉验证的方法进行频繁的手动调整的不足，且具有较高的精度．     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

基于粒子群算法优化最小二乘支持向量机的电路故障诊断方法

针对数／模混合电路故障的特点,采用将粒子群算法与最小二乘支持向量机相结合的故障诊断方法,在保证诊断过程准确率的基础上,实现多类故障的快速诊断。在诊断过程中,支持向量机的参数寻优过程存在随意性、盲目性和效率低等问题,采用改进的粒子群算法优化支持向量机的参数,建立基于支持向量机的故障分类模型。实验结果表明,与其他方法相比,该方法提高了故障诊断的精度,具有明显的实用价值。     

基于支持向量机的坦克驾驶模拟训练结果分析

利用坦克驾驶模拟器进行模拟训练是提高装备操作技能的重要方法。针对以往模拟训练忽视训练数据采集分析和提高训练质量的问题,提出采用支持向量机（SVM）对坦克驾驶模拟训练结果进行分析的方法。为了解决SVM参数选取难的问题,提出一种自适应粒子群优化(APSO)算法对SVM参数进行优化选择,设计动态权重参数并赋予相关惯性,实现粒子动态自适应。引入多位置查询机制和极值点信息以维持不同粒子平衡点的多样性,通过迭代选择与优化目标函数实现对参数的自动寻优。基于APSO算法的支持向量机(SVM-APSO)应用到某型坦克驾驶模拟器的训练结果分析中,结果表明SVM-APSO能克服多维影响因素对训练成绩分类带来的不利影响,实验结果在精度和时间上都有明显优势,验证了SVM-APSO在坦克驾驶模拟训练结果分析中应用的可行性与有效性。     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

基于粗集的SVM算法在空袭目标识别中的应用

在现代防空作战中,如何快速准确对敌我目标进行识别,至关重要。本文结合粗糙集和支持向量机算法建立了基于粗糙集的SVM增量学习模型,提出了基于快速求核和集合近似质量的粗糙集属性约简算法,改进了SVM增量学习算法。试验结果表明,算法正确有效,模型符合现代防空作战中对目标识别的要求。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines,SVM）故障分类器,在不易取得训练样本的情况下,实现较高准确率的故障诊断,并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法,以及改进型一对多算法）,通过将其应用到实际电路进行故障诊断当中对其性能进行比较,得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法,核函数的选择对故障诊断的性能也存在着一定的影响。     

基于支持向量机的氢混天然气发动机性能预测

为提高氢混天然气（HCNG）发动机的标定效率,精确预测发动机参数,对一台氢气体积分数为20%的HCNG燃料发动机进行试验研究和性能预测分析。基于高转速低负载工况稳态标定试验数据,采用支持向量机（SVM）方法建立发动机参数关联模型,并利用不同寻优算法为模型寻找最优参数,以提高各项参数的预测精度。结果显示：若发动机运行于最大扭矩点火正时,则等效天然气比消耗（BSFC）最小,NO_x比排放（BSNO_x）也处于较理想的水平,尤其在增加氢气比例时,这些外特性有更加显著的提升;SVM模型可以较好地描述发动机输入参数与输出参数之前的非线性关系,自变量与因变量之间的相关性较强（决定系数R²均大于0.97）,模型的预测精度较高,利用遗传算法得出的最优预测模型具有较高的泛化能力,扭矩、BSFC、BSNO_x的平均绝对百分比误差分别仅为1.23%、1.98%、5.43%。     

利用改进单分类支持向量机提升舰船尾流目标的检测准确率

舰船在航行过程中会在尾部产生一段包含大量气泡的湍流区域,通过对尾流的声学检测可以有效地跟踪船舶。基于一种改进单分类支持向量机（OCSVM）算法,利用无尾流情况下回波信号作为训练集的一个最优分类器,用于尾流回波信号模式判断。对回波信号进行降噪处理,进而提出一种自适应特征提取方法对回波信号进行处理;将特征提取作为输入,使用两层决策边界的双阈值OCSVM算法进行尾流检测。仿真结果表明,与常规OCSVM算法相比,改进算法在不同信噪比下的检测准确率均有提升,检测准确率最高可达96.27%,具有较好的工程应用价值。     

一种改进的装备保障能力并联预测模型

为了提高装备保障能力的预测精度,针对当前预测算法及其组合模型存在的问题,提出了一种改进的并联预测模型。利用文本挖掘选择预测指标及权重,改进了区间标度算法并构造了不等距、多尺度区间的模糊时间序列模型。改进了粒子群优化方法中微粒速度和位置及惯性权重值的算法,使用该方法优化了支持向量机参数并建立预测模型。依据改进的模糊时间序列和支持向量机预测模型建立了改进的并联预测模型,通过计算预测权重值并将预测值与预测权重值组合形成并联模型的预测值。通过案例证明了该预测方法具有更高的精度。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。