基于全局-局部SVM的钢板表面缺陷分类

为了提高钢板表面缺陷分类识别,提出一种新的全局和局部支持向量机分类模型。首先,通过样本提取算法将整个训练样本划分为非边界样本和边界样本。非边界样本用于训练全局支持向量机,并获得两条全局决策边界。边界样本用于寻找测试样本的K-近邻样本,通过训练K-近邻样本获得相应的局部支持向量机。若测试样本位于全局决策边界线两侧,直接给出分类结果,否则,由局部支持向量机进行分类决策。最终,新的模型结合二叉树算法实现了4种钢板表面缺陷的分类问题。实验结果显示,全局和局部支持向量机模型有令人满意的综合性能。     

基于核鲁棒k-均值的模糊支持向量机算法

支持向量机对训练数据中的噪声敏感,为了解决这一问题,本文提出基于核鲁棒k-均值算法的模糊支持向量机算法。算法首先在每类训练样本上应用核鲁棒k-均值算法,得到每个样本的模糊隶属度,将该隶属度赋予训练样本,得到模糊训练集,然后在模糊训练集上训练模糊支持向量机,得到分类决策函数。实验表明,对于带噪声的训练样本,本文的算法能够为噪声样本赋予小的隶属度,提高分类准确率。     

基于K最近邻的支持向量机快速训练算法

传统支持向量机训练大规模样本时间和空间开销大,使其应用受到了很大限制。为了提高支持向量机的训练速度,根据支持向量机的基本原理,应用K最近邻思想来筛选训练样本集,提出了基于K最近邻的支持向量机快速训练算法(KNN-SVM)。算法首先选取一部分最有可能成为支持向量的样本——边界向量,然后用边界向量集代替训练样本集进行支持向量机训练,大幅度减少了训练样本的数量,使支持向量机的训练速度显著提高。同时,由于边界向量包含了支持向量,因此,支持向量机的分类能力没有受到影响。仿真实验结果表明,与传统支持向量机相比,在分类精度相同的情况下,算法能够有效地提高支持向量机的训练速度,而且还可以提高支持向量机的分类速度和推广能力。     

适用于不平衡样本数据处理的支持向量机方法

支持向量机算法在处理不平衡样本数据时，其分类器预测具有倾向性．样本数量多的类别，其分类误差小，而样本数量少的类别，其分类误差大．本文针对这种倾向性问题，在分析其产生原因的基础上，提出了基于遗传交叉运算的改进方法．对于小类别训练样本，利用交叉运算产生新的样本，从而补偿了因训练数据类别大小差异而造成的影响．基于UCI标准数据集的仿真实验结果表明，改进方法比标准支持向量机方法具有更好的分类准确率．     

基于KFCM的子空间样本选择方法

针对训练样本中包含边界样本数量的多少对支持向量机分类的精度起主要作用,提出基于核模糊C均值算法(KFCM)先对样本集进行聚类,然后利用得到的模糊隶属度矩阵计算样本的模糊熵,通过设定阈值进行子空间样本的选择,最后将得到的子空间样本作为支持向量机(SVM)的训练样本。实验结果证实,由于应用了KFCM方法克服了一些传统样本选择方法在不知道样本类别的情况下,其无法较准确地对任意形状的簇的子空间样本进行选择,同时该方法保留了典型样本,减少了训练样本的数量,从而保证了分类器的性能和较高的训练效率。通过实验比较,该方法在选取子空间样本的性能上比传统的方法要好。     

非平衡二叉树主动学习支持向量机

针对传统的二分类支持向量机在数据种类繁多并含有很多不带标签的样本时的固有缺陷,提出了一种主动学习与非平衡二叉树结合的多类分类支持向量机.该方法首先通过类距离构造一个非平衡二叉树结构,从易到难依次构造节点,将最容易分出的类放在根节点,然后利用主动学习策略,自动为选择的样本添加标签,并添加到训练样本集中.实验结果表明本文提出算法性能优于常规主动学习支持向量机,有效提高了分类精度,且大大缩短了算法运行时间.     

最小二乘支持向量机的一种非均衡数据分类算法

为了提高支持向量机的非平衡数据分类能力,分析了最小二乘支持向量机的本质特征,提出了一种基于中心距离比的非平衡数据分类算法,同时通过修剪边界样本,解决了最小二乘支持向量机缺失稀疏性的问题.在UCI标准数据集上进行的试验表明:该算法能够有效地提高支持向量机对非均衡分布数据的正确性,且该算法在不影响训练精度的前提下,可以得到稀疏解,算法的训练速度也有了一定的提高.     

基于样本约简的实时 SVDD 算法与电路故障检测应用

针对支持向量数据描述（SVDD）训练大规模样本时计算复杂度太大的问题,提出了一种基于样本约简的实时SVDD算法。该算法首先通过随机抽样的方法从原始样本集中抽取一定规模样本用于SVDD训练;然后用训练得到的支持向量对特征空间中的样本中心进行估计;最后计算原始样本集中所有样本到中心的距离,并对所有距离按降序排列,通过提取一定比例距离较大的样本作为训练样本集对SVDD进行训练,最终实现了训练样本规模约简。实验结果表明：算法有效削减了训练复杂度,满足了SVDD故障检测的实时性要求。     

用于多类别分类的一种加权超球支持向量机算法

在One‐Class基础上发展起来的超球支持向量机算法能有效地解决多类别分类问题。但是原始的超球支持向量机算法仍有很多需要改进的地方。经过推导和实验,得到如下结论,即超球支持向量机算法过度依赖于每个训练样本,即使该训练样本为噪音数据或是离群异常数据。因此提出在训练之前加入预处理算法,通过相似度计算删除噪音点和异常点。在训练过程中,根据公式计算每个样本的权值,区别对待每个训练样本,确保SMO求解过程迅速收敛。在测试阶段,根据测试点的位置合理选择分类规则进行正确分类。实验结果表明提出的算法可以有效减少噪音数据和异常数据对分类结果的影响,同时提高了分类精度。     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

BIG DATA

The modern network society is mainly founded by the communication technology,in which all forms of data can be transmitted,stored,and distributed,which generates massive amount of data every day.Facing this Big Data era,the community of communication technology meets the best opportunity to reform its model-driven methodology to data-driven way.     

中国赛宝可靠性数据中心

赛宝在可靠性信息跟踪处理、交换与应用研究方面成绩显著,曾获得十多项国家及省级科技进步奖。其中著名的国家军用标准GJB／Z299C《电子设备可靠性预计手册》是开展可靠性预计的唯一公认权威依据,达到国际先进水平。该标准广泛应用于军、民用电子设备的方案论证、可靠性预测和设计改进,获得了显著的社会和经济效益。     

合成孔径雷达原始数据压缩

本文首先论述了合成孔径雷达原始数据压缩的意义和重要性,接着简要回顾了它的发展历史,着重讨论了分块自适应量化(BAQ)和矢量量化(VQ)两种数据压缩方法.最后展望了合成孔径雷达原始数据压缩的发展前景.     

县级广播电视数据网的技术选型

简要介绍了广播电视数据网建设中具有代表性的三种技术模型。并提出了选型建议。     

外场实测数据的舰船目标ISAR成像

有关飞机目标的ISAR成像国内已有较深入的研究。对水面舰船的雷达成像在国防上同样有重要意义,但国内对舰船的ISAR成像的研究,基本上为空白状态。虽然舰船成像与飞机成像在基本原理上没有区别,但由于海水的波动,使舰船的姿态变化比较复杂,有必要作专门的研究。该文是作者利用外场实测数据,针对舰船运动的特殊性,提出基于Clean的调幅-线性调频(AM-LFM)信号参数估计的方法,获得舰船目标的距离-瞬时多普勒动态像。     

基于散射模型的极化SAR数据分解

该文提出一种描述极化SAR散射机制的散射模型。该模型由四种基本散射模型构成:布拉格散射,偶次散射,奇次散射和体散射。该散射模型成功地描述了人造目标和自然目标对电磁波的散射机制。本文利用美国空气动力实验室(JPL)的机载多极化合成孔径雷达系统获得的SAR图像数据对该模型进行了检验,结果表明该散射模型可以很好地描述建筑和植被覆盖地区对电磁波的散射机制。     

雷达数据的多重分形模型

本文将多重分形的分析方法引入到雷达杂波的分析中,直接从杂波数据本身出发,研究其具有的共性;并分别对杂散数据和带目标回波数据进行了分析,提取了它们的多重分形特征。结果表明在一定的尺度范围内,单纯的雷达杂波具有分形的特征,而带目标回波数据则存在分形的失配性,从而提供了一种对目标进行粗检测和判决的新方法。