基于范例推理的NPD数据支持向量机预测

针对当前军用飞机NPD(Noise-Power-Distance)数据集成过程中面临小样本、小范围及数据失真问题,给出基于范例推理监督的支持向量机预测方法。用支持向量机作为数据回归与预测模型,通过范例推理检索出与目标范例相似的NPD数据,用相似范例来指导NPD数据的回归与预测。提出基于坡度的相似性检索、检验及修正方法,成功将范例推理的监督作用与预测模型有机结合,降低预测模型对数据样本的敏感性及依赖性。实例表明,该方法经济可行,能提高回归及预测精度。     

基于粗糙集和支持向量机理论的物流需求预测研究

选择合适的预测模型来预测物流需求,对升级和优化物流产业具有重要的战略意义。常见的物流预测方法有:增长率法、移动平均法、时间序列法等,由于实际的物流预测数据常常具有多指标、非线性、小样本的特点,并且数据中存在冗余指标(噪声),导致在实际应用中,大多数预测方法的预测精度不高,难以保证有效性。针对这类物流预测问题,本文根据粗糙集属性约简中基于差别矩阵的算法,剔除冗余指标,基于约简的属性,改进了单一的SVM预测模型,并用遗传算法优化了SVM模型的输入参数,获得了较高的预测精度。本文给出了该方法的具体步骤,并用实际数据预测了广东省的货运总量,验证了该方法的有效性。     

基于支持向量机的坦克识别算法

本文提出了一种基于支持向量机的坦克识别算法。在对图像预处理之后，运用颜色和纹理信息进行分割，采用基于数学形态学的算法求得边缘像素，提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验，实验表明基于支持向量机的坦克识别算法具有更好的性能。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

基于支持向量机的红外成像跟踪算法

为提高传统红外成像跟踪算法的性能,克服相关跟踪对"图像灰度一致性"的要求,在分析光流方程和支持向量机基本理论的基础上,提出一种由光流方程引出的基于支持向量机的成像跟踪算法.以机动车的红外图像序列为研究对象,该算法利用支持向量机的分类值替代方差和误差函数,将每帧中分类值最大的位置看作当前帧中目标的位置,从而实现了对目标的跟踪.该算法不仅不要求满足"图像灰度一致性",而且有效地减少了跟踪的累积误差.研究结果表明,与传统相关跟踪算法相比,本文提出的跟踪算法的精度、稳定度和鲁棒性都有所提高.     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

支持向量机算法原理与应用

支持向量机是基于统计学习理论的一种模式识别方法，近年来以其优良的特性引起了研究者的广泛关注，已经成为一个十分活跃的研究领域。本文系统介绍了支持向量机的理论及应用方法，讨论了支持向量机中核函数的选择问题。然后对二类SVM实现算法和多类SVM实现算法进行分析，总结其性能与优缺点，最后指出SVM中待解决的一些同题和日后的研究方向。     

基于支持向量机的网络风险评估方法的研究

统计学习理论(Statistical Learning Theory,SLT)是一种专门研究小样本情况下机器学习规律的理论,作为统计学习理论的VC维理论和结构风险最小化(Structure Risk Minimization,SRM)原则的具体实现算法支持向量机(support vector machinse,SVM),集优化、核(Kernel)、最佳推广能力等特点于一身,其出色的学习能力被广泛的关注并在各个领域广泛应用,系统介绍基于支持向量机的网络安全风险评估,给出其可行性、优越性及SVM评估模型,最后提出该研究发展方向与前景的预见。     

基于支持向量回归模型的医学超声图像去噪研究

医学超声成像技术以其固有的时效性、廉价性及无损性等特点被医疗诊断广泛应用。但超声图像存在的斑点噪声增加了图像解译程度,影响了图像分析与诊断。因此,医学超声图像去噪研究成为超声影像预处理中的关键问题。本研究基于目前医学超声图像去噪研究现状,引入支持向量学习理论,通过含斑图像做对数变换和分解,构建基于支持向量回归模型的局部自适应去斑算法。实验仿真表明,基于支持向量回归模型能够成功地去除超声图像的噪点,同时保障了超声图像的细节特征,其优越的性能超过了传统的去噪方法。     

基于案例推理的企业项目管理决策支持系统的研究

基于案例推理方法的基本原理,将案例推理方法应用于项目管理辅助决策支持分析,论述了基于案例推理的项目管理决策支持系统中的一些关键步骤,研究了项目管理中项目任务问题案例的知识案例表达、属性权重分析和近邻方法相结合的检索模型,实现了案例检索和匹配,提出了辅助项目任务问题案例辅助决策支持系统的结构,开发了原型系统,并给出应用实例．     

基于单类支持向量机的冷水机组温度传感器故障检测

冷水机组系统中,温度传感器出现故障会严重影响机组工作效率及使用寿命。针对冷水机组温度传感器偏差故障,本文提出一种基于单类支持向量机(one-class support vector machine,OC-SVM)的故障检测方法,采用冷水机组正常数据建立OCSVM模型,通过十折交叉验证法获得模型优化参数。分别采用工程实测数据和实验数据(共4组)对该方法进行了验证,结果表明:基于OC-SVM的方法能有效检测出4组冷水机组的温度传感器偏差故障。其中对于螺杆式冷水机组(数据集Ⅰ)的故障检测效果明显,当冷冻水侧温度传感器偏差故障幅值绝对值大于1℃时,检测效率达到100%。     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

ESVR算法及支撑向量机算法中参数的确定

支撑向量机是基于有限数据的机器学习算法,主要研究如何从一些给定的观测数据获得目前尚不能通过原理分析得出的规律,利用这些规律去分析客观现象并对无法观测的数据进行预测。本文在已有的支撑向量机算法的基础上,提出了一种新的算法——ESVR算法,它是基于支撑向量回归机的改进算法,利用原有用于回归问题的SVM算法消除了孤立点对已知问题的影响。针对支撑向量机算法中核参数取值对推广性的影响较明显的特点,本文给出了一种核函数中参数的确定方法——渐进搜索法,它可以得到支撑向量机算法中核参数的取值范围,并具有推广误差较小的特点。数值实验表明它们具有较好的效果。     

基于支持向量机的汽车发动机故障诊断研究

研究在汽车发动机不解体的情况下获取发动机缸盖表面的振动信号和上止点信号,按曲轴转角的周期对振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值。建立发动机各缸不同故障状态的训练集,用支持向量机的方法实现发动机故障模式的诊断与识别。研究结果表明,该方法对汽车发动机故障类型、故障位置的诊断识别具有重要工程意义。     

基于支持向量特征筛选方法的想象动作识别

引入了支持向量特征筛选方法,以克服基于想象动作诱发脑电特征的脑-机接口识别中,由于特征维度较高而训练数据有限、不易获得理想识别效果的问题.支持向量特征筛选方法采用扰动支持向量机代价函数的方法测量特征的分类贡献度,进而建立特征序贯指数,以递归方法进行特征排序和优化筛选.对14例受试者的左右上肢想象动作诱发脑电信号进行分析,提取6类246维特征,采用支持向量递归筛选方法进行特征优选,利用支持向量机对优选特征进行识别,结果显示,支持向量递归筛选得到的优选特征可显著提高识别正确率.研究表明,支持向量特征筛选可以降低无效特征干扰,提高分类器效率,适用于特征维度较高的脑-机接口任务识别.     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

基于SVM的ECT图像重建算法

电容层析成像（ECT）技术是基于电容敏感机理的过程层析成像技术。ECT的图像重建是一个典型的有限样本非线性映射问题。支持向量机（SVM）作为一种小样本处理方法,具有较强的泛化能力,被认为是目前针对小样本分类问题的最佳理论。提出了一种基于SVM的四层神经网络的图像重建算法,仿真结果表明,该算法用于三相流图像重建具有较强的空间分辨率和泛化能力。     

基于最小二乘支持向量机的扫描仪特征化

目的基于最小二乘支持向量机回归(LSSVR),研究扫描仪图像输入设备的特征化方法。方法以ColorChecker SG标准色卡为目标,通过最小二乘支持向量机建立RGB三通道值到CIE Lab色度值的非线性映射模型,采用基于交叉验证的网格搜索确定模型最优参数,优化LSSVR模型,实现彩色扫描仪的色度特征化。结果所建模型的训练集R-squared为0.996,验证集R-squared为0.998,训练集与验证集的CIEDE2000平均色差分别为1.1463,1.2754。结论 LSSVR模型能够较好地实现彩色扫描仪色度特征化,泛化能力较强,此模型可有效地提高彩色扫描仪特征化的精度且计算处理速度更快。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。