An Algorithm for Idle-State Detection and Continuous Classifier Design in Motor-Imagery-Based BCI

Abstract-The development of asynchronous brain-computer interface （BCI） based on motor imagery （M1） poses the research in algorithms for detecting the nontask states （i.e., idle state） and the design of continuous classifiers that classify continuously incoming electroencephalogram （EEG） samples. An algorithm is proposed in this paper which integrates two two-class classifiers to detect idle state and utilizes a sliding window to achieve continuous outputs. The common spatial pattern （CSP） algorithm is used to extract features of EEG signals and the linear support vector machine （SVM） is utilized to serve as classifier. The algorithm is applied on dataset IVb of BCI competition Ⅲ, with a resulting mean square error of 0.66. The result indicates that the proposed algorithm is feasible in the first step of the development of asynchronous systems.     

基于支持向量机的电力短期负荷预测研究

以城市电力负荷预测为应用背景,根据电力负荷的特点和支持向量机（SVM）方法在解决小样本学习问题中的优势,提出基于SVM的电力短期负荷预测模型,并使用粒子群优化算法优化其参数。基于SVM的电力短期负荷预测模型的运行结果与BP神经网络模型对比表明,前者稳定性好,运行速度快,准确率高。     

基于参数优化支持向量机的火焰图像识别

图像型火灾探测的主要问题是关于火焰和干扰物的识别。通过提取火灾图像特征,利用支持向量机来进行识别。为提高火灾准确预报率,用参数优化后的支持向量机来预报。提出一种混沌粒子群算法对支持向量机进行参数优化。实验表明,改进的粒子群算法比传统方法的火灾准确预报率有大幅提高,可以进一步降低火灾探测系统的误报。     

基于微粒群算法和支持向量机的特征子集选择方法

在模式分类系统中,大量无关或冗余的特征往往会降低分类器的性能,因此需要特征选择.本文提出了基于离散微粒群(BPSO)和支持向量机(SVM)封装模式的特征子集选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法对特征进行优化,并用SVM的10阶交叉验证结果指导算法的搜索,最后选出最佳适应度的子集对SVM进行训练.两个UCI机器数据集(户外图像和电离层)的实验结果表明了提出算法的有效性.     

基于支持向量机集成的圆极化微带天线设计

人工神经网络(Artificial Neural Network,ANN)设计圆极化微带天线(Circularly-polarized Microstrip Antenna,CPMSA)时需要进行大量数据样本的准备,网络结构一般都比较复杂.为了解决这个问题,利用支持向量机(Support Vector Machine,SVM)在解决小样本数据处理问题时具有拟合精度高、泛化能力强、结构简单等优点,结合二进制粒子群(Binary Particle Swarm Optimization,BiPSO)算法选择出合适的SVM个体参与集成,形成一种基于BiPSO算法的选择性SVM集成(SVM Ensemble,SVME)方法,并将该方法用于单馈切角方形CPMSA的综合设计.仿真结果表明:这种SVME方法提高了算法的鲁棒性和有效性,有更好的预测精度,通过与ANN、SVM以及现有文献的预测结果对比可以看出,由该模型得出的结果优于此问题的已有结论.     

KPCA和SVM在人脸识别中的应用

支持向量机（SVM）适合处理小样本的问题，并且基于核函数主元分析能够处理原始数据的高阶统计量，在图像识别中它可以描述多个像素之间的相关性，因此提出了一种基于核函数主元分析（KPCA）与支持向量机（SVM）的人脸识别方法。     

一种低信噪比下雷达辐射源识别方法

针对低信噪比下雷达辐射源信号分类,首先提出了基于高阶累积量和小波包变换相结合的特征提取方法,然后设计支持向量机分类器,并运用粒子群优化算法对分类器的参数进行寻优,最终实现对雷达辐射源信号的自动分类。仿真实验结果表明,在信噪比为-4dB时,6种雷达辐射源信号的平均识别率仍能达到93.83%,在低信噪比环境下取得了较为理想的分类效果。     

基于支持向量机分类识别的行人航迹推算室内定位

在行人航迹推算(Pedestrian Dead Reckoning,PDR)的室内定位方法中,行人运动状态的识别和采集设备(通常是智能手机)的模式识别都对定位精度有一定影响。为了提高定位精度,首先利用粒子群优化支持向量机(Particle Swarm Optimization-Support Vector Machine,PSO-SVM)中的高斯核函数的宽度σ和惩罚因子C构建新的分类器。其次,对手机采集的4种行人运动状态和手机的4种不同状态进行识别,并选择不同的数据特征进行模式分类识别,与K最近邻法(k-Nearest Neighbor,KNN)和一般支持向量机(Support Vector Machine,SVM)的模式识别方法进行对比。最后,在室内进行PDR定位实验。实验结果表明:改进后的分类识别方法具有更高的识别准确率,同时在识别行人运动模式和手机模式的前提下,PDR室内定位效果比传统PDR定位方法效果更好。     

基于粒子群支持向量机的通信信号调制识别算法

为了解决大部分通信信号调制识别方法计算量大和分类器训练困难问题,提出一种基于粒子群(PSO)支持向量机(SVM)的调制识别方法.将小波理论与调制信号的瞬时特征、高阶累积量以及分形理论相结合,得到一种混合模式特征向量,并利用粒子群支持向量机对2ASK,4ASK,2PSK,4PSK,8PSK,2FSK,4FSK,8FSK,...     

Face Feature Selection and Recognition Using Separability Criterion and Binary Particle Swarm Optimization Algorithm

Discrete cosine transform （DCT） is an ef- fective method to extract proper features for face recog- nition. Discrete cosine transform can only map the re- source data to another data field instead of compress data. How to select the DCT coefficients that are most effec- tive for classification is an important problem. This paper proposes a novel method to search the best discriminant combination of DCT coefficients. A feature selection al- gorithm according to the separability criterion is used to preselect the DCT coefficients, and then follows a search algorithm based on binary particle swarm optimization and support vector machine to find an optimal combination of the DCT coefficient. The performance of the algorithm is assessed by computing the recognition rate and the num- ber of selected features on ORL database and Cropped Yale database.     

基于随机下采样和SMOTE的不均衡SVM分类算法

传统的支持向量机（SVM）算法在数据不均衡的情况下,分类效果很不理想。为了提高SVM算法在不均衡数据集下的分类性能,提出随机下采样与SMOTE算法结合的不均衡分类方法。该方法首先利用随机下采样对多数类样本进行采样,去除样本中大量重叠的冗余样本,使得在减少数据的同时保留更多有用信息;而对少数类样本则是利用SMOTE算法进行过采样。实验部分将其应用在UCI数据集中并同其他采样算法比较,结果表明文中算法不但能有效提高SVM算法在不均衡数据中少数类的分类性能,而且总体分类性能也有所提高。     

基于改进LSSVM的城市轨道交通供电故障诊断方法

小样本条件下供电系统故障快速诊断是保证城市轨道交通安全稳定运行的保证.文中提出了一种基于量子粒子群优化最小二乘支持向量机(LSSVM)的供电系统故障诊断方法.该方法首先基于主成分分析提取能够表征系统运行状态的特征参数,并降低数据维数.然后利用LSSVM构建小样本故障诊断模型,通过量子粒子群算法对LSSVM模型参数进行优...     

ACPSO—SVR结合的非线性建模预测算法研究

提出一种基于自适应混沌粒子群优化和支持向量机结合的非线性预测建模算法（ACPSO—SVR）,引入ACPSO启发式寻优机制对SVR模型的超参数进行自动选取,在超参数取值范围变化较大的情况下,效果明显优于网格式搜索算法。选取UCI机器学习数据库中的Forestfires标准数据集进行测试,实验结果表明该方法具有较高的精度和良好的泛化能力．对于解决多变量的回归预测问题是一种有效的方法。最后给出了混合算法在碳一多相催化领域的两种典型应用．在反应动力学模型未知的情况下建立催化剂组份模型和操作条件模型,以及基于混合算法的最优催化剂设计框架。     

基于LS-SVM的光刻过程R2R预测控制方法

针对光刻过程非线性、时变和产品质量不易在线测量的特性,提出了一种基于最小二乘支持向量机预测模型和微粒群滚动优化方法的批次控制预测控制器。通过历史批次样本数据构建光刻过程的最小二乘支持向量机预测模型,解决了复杂光刻过程难以建立精确数学模型的难题,提高了预测模型的精度。通过预测误差的反馈校正和微粒群滚动优化算法求解最优控制律,提高了控制精度。性能分析结果表明,与指数加权移动平均方法及非线性模型预测控制方法相比较,批次控制预测控制器控制器减小了不同批次关键尺寸输出的差异,显著降低了关键尺寸输出的均方根误差,有效抑制了过程扰动影响。     

The Investigation of Data Voting Algorithm for Train Air-Braking System Based on Multi-Classification SVM and ANFIS

The pressure data of the train air braking system is of great significance to accurately evaluate its op-eration state.In order to overcome the influence of sensor fault on the pressure data of train air braking system,it is necessary to design a set of sensor fault-tolerant voting mechanism to ensure that in the case of a pressure sensor fault,the system can accurately identify and locate the position of the faulty sensor,and estimate the fault data ac-cording to other normal data.A fault-tolerant mechanism based on multi-classification support vector machine(SVM)and adaptive network-based fuzzy inference system(ANFIS)is introduced.Multi-classification SVM is used to identify and locate the system fault state,and ANFIS is used to estimate the real data of the fault sensor.After estimation,the system will compare the real data of the fault sensor with the ANFIS estimated data.If it is similar,the system will recognize that there is a false alarm and record it.Then the paper tests the whole mechanism based on the real data.The test shows that the system can identify the fault samples and reduce the occurrence of false alarms.     

基于改进TOPSIS-PSO-SVM的配电网适应性评价研究

我国可再生能源发展迅速,新能源发电已成为发电的主力之一。文中针对分布式能源并网后配电网的适应性问题,对配电网适应性内涵进行了新的定义,建立了可靠性、负载率、电流、电能质量、运行年限、新能源利用率6个一级指标的配电网适应性评价指标体系。通过主、客观赋权法得到组合权重,并将其与TOPSIS进行结合,确定了评价模型的期望输出值。文中提出了一种基于改进TOPSIS-PSO-SVM的配电网适应性评价模型,并以宁夏5个地区配电网进行实例分析。结果表明TOPSIS-PSO-SVM评价模型的评价相对误差区间为[0.94%,1.03%],相对误差绝对值平均数为0.885 4%,说明该评价模型在配电网适应性评价中的评价误差更小,评价精度更高。