支持向量机超声缺陷识别法的研究

提出了一种基于支持向量机超声波在线检测缺陷识别方法.首先采用小波包分析来提取超声信号的特征信息,产生训练和测试样本;然后利用支持向量机分类方法对缺陷进行识别.实验结果表明,支持向量机能够快速、有效地识别缺陷,比人工神经网络具有更好的分类性能和推广能力,是一种有效的超声缺陷识别方法.     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于支持向量机和PCA的脑电α波运动想象分类研究

针对脑电信号(EEG)运动想象分类过程中弱相关特征量影响分类准确度的问题,提出一种筛选方法,该方法是基于α波和主成分分析(PCA)算法的。基于脑机接口(BCI)系统,通过听觉诱发刺激产生向左和向右两种运动想象任务对应的脑电信号,并对其做小波包分解处理,然后进行脑电α频段信号的重构,从而提取出α波形并对其进行统计特征提取。再结合PCA技术和支持向量机(SVM)方法,实现弱相关特征的剔除和特征分类。根据筛选后的数据进行分类,所得结果准确率更高,信号分类的准确度由90.1%提高至94.0%。     

基于SAE和GNDO-SVM的脑电信号情绪识别

情感计算是现代人机交互中的关键问题, 随着人工智能的发展, 基于脑电信号(electroencephalogram, EEG)的情绪识别已经成为重要的研究方向. 为了提高情绪识别的分类精度, 本研究引入堆叠自动编码器(stacked auto-encoder, SAE)对EEG多通道信号进行深度特征提取, 并提出一种基于广义正态分布优化的支持向量机(generalized normal distribution optimization based support vector machine, GNDO-SVM)情绪识别模型. 实验结果表明, 与基于遗传算法、粒子群算法和麻雀搜索算法优化的支持向量机模型相比, 所提出的GNDO-SVM模型具有更优的分类性能, 基于SAE深度特征的情感识别准确率达到了90.94%, 表明SAE能够有效地挖掘EEG信号不同通道间的深度相关性信息. 因此, 利用SAE深度特征结合GNDO-SVM模型可以有效地实现EEG信号的情绪识别.     

短时电能质量扰动分类方法研究

为了准确检测短时电能质量扰动问题,提出了一种基于K-L变换和支持向量机多值分类器的短时电能质量扰动分类方法。采用离散小波变换获得信号在不同分解尺度下的能量分布作为原始特征空间;运用K-L变换进行模式识别特征空间的提取;设计了适用于短时电能质量扰动的支持向量机多值分类器。实验结果表明,对原始能量特征进行K-L变换后,可以提高分类准确率;支持向量机多值分类器的分类结果优于BP神经网络。     

基于复杂网络特性的带钢表面缺陷识别

针对带钢表面缺陷识别问题,提出一种基于动态演化复杂网络特性的特征描述方法, 这些特征同时具有位移、旋转不变性、大小不变性、较强的抗干扰能力和鲁棒性,为 缺陷识别提供良好的分类特征;为了提高分类器的效率,应用主成分分析法 (Principal component analysis, PCA) 对复杂网络特 征向量进行特征降维处理;采用最优有向无环图支持向量机 (Directed acyclic graph support vector machine, DAG-SVM)算法进行缺陷分类.结果表明该方法识别率高而且识别速度快.     

基于小波包分解与RVM的声发射信号识别

声发射信号识别目前已经成为检测大型储罐底板缺陷状况的普遍方法之一.针对现有声发射检测技术对原始信号的处理与分析方法的不足,对储罐底板腐蚀程度分类识别方法的不明确,基于小波包分解,对声发射传感器接收到的原始信号进行特征提取,得出了信号的特征向量,通过训练相关向量机,结合相关向量机模型对待测设备进行腐蚀类型归类识别,得出分析结论.应用该方法对大连某企业的储油罐进行实测数据检验,分析结论与储油罐实际状况相同,验证了该方法具有科学性与可行性,能够诊断大型储罐底板腐蚀状况的准确性和可靠性.     

基于PCA和SVM的交通事件自动检测算法

支持向量机分类在处理高维的小样本学习问题上具有优异的表现,特别是具有很好的范化能力。然而其在处理一些高维的原始数据时维数会有冗余,那么样本的主要特征必须被首先选出来以改善支持向量机的性能。将主成分分析技术引入以减少原始样本的特征维数,并且预先有效地预选取主要的特征。在所选取的特征空间中构建支持向量机改善学习速度和检测性能。在对I-880高速公路事件数据的仿真结果表明,所提出的基于主成分分析的支持向量机减少了误警率和平均检测时间。     

多层导电结构电涡流扫描检测缺陷自动识别和分类技术研究

多层导电结构涡流检测中,缺陷的自动识别和分类是急需解决的重要问题.提出了一种新的缺陷信号自动检测识别和分类方法,首先采用幅值中值预判和小波分析方法进行信号预处理,自动识别并提取包含缺陷的涡流检测信号片段;然后运用主分量分析法对含有缺陷的信号片段进行特征提取;接着构建最近均值、K近邻、BP网络和支持向量机四种分类器对缺陷信号进行分类;最后进行了实验研究,对多层导电结构三种形状缺陷的扫描检测信号进行识别和分类,验证了本文所提出方法的有效性,并比较了各分类器的性能,根据识别和分类错误率大小,可看出支持向量机分类器具有较好的鲁棒性和稳定性.     

基于超声检测的构件层间粘接缺陷识别方法

超声无损检测广泛用于检测界面粘接缺陷,然而粘接缺陷类型的识别一直是检测的难点.因此提出了一种基于多特征融合和主成分分析提取界面粘接状况回波信号特征的方法.首先通过对缺陷信号回波进行消噪处理,提取了缺陷信号时域和时频域的特征参数,并构成联合特征向量.随后,经过主成分分析消除联合特征向量的冗余信息并降低特征向量之间的相关性,实现降维,选取累计贡献率超过95％的主成分作为粘接类型的融合特征向量.最后用BP神经网络实现缺陷类型识别分类.实验结果表明,这种方法可以有效地识别出粘接缺陷类型,识别率优于单独时频域特征提取方法,为粘接缺陷的分类识别和无损评价提供了技术参考.     

Wavelet transform-based feature extraction for ultrasonic flaw signal classification

In this paper, we present automatic classification models for ultrasonic flaw signals acquired from carbon-fiber-reinforced polymer specimens. Different state-of-the-art strategies based on wavelet transform are utilized for feature extraction. Furthermore, a wavelet packet transform-based local energy feature extraction method is proposed to solve the deficiencies of the existing methods. Artificial neural networks and support vector machines are trained to validate the effectiveness of different feature extraction methods for flaw signal classification. Experimental results show that the proposed method can extract reliable features to effectively classify the different ultrasonic flaw signals with high accuracy.     

Classification of defects in steel strip surface based on multiclass support vector machine

In this paper, we use support vector machine to classify the defects in steel strip surface images. After image binarization, three types of image features, including geometric feature, grayscale feature and shape feature, are extracted by combining the defect target image and its corresponding binary image. For the classification model based on support vector machine, we utilize Gauss radial basis as the kernel function, determine model parameters by cross-validation and employ one-versus-one method for multiclass classifier. Experiment results show that support vector machine model outperforms the traditional classification model based on back-propagation neural network in average classification accuracy.     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势,并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理,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。在使用KPCA方法对人脸图像进行特征提取后,用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

Kernel-based nonlinear dimensionality reduction for electrocardiogram recognition

The human heart is a complex system that reveals many clues about its condition in its electrocardiogram (ECG) signal, and ECG supervising is the most important and efficient way of preventing heart attacks. ECG analysis and recognition are both important and tempting topics in modern medical research. The purpose of this paper is to develop an algorithm which investigates kernel method, locally linear embedding (LLE), principal component analysis (PCA), and support vector machine(SVM) algorithms for dimensionality reduction, features extraction, and classification for recognizing and classifying the given ECG signals. In order to do so, a nonlinear dimensionality reduction kernel method based LLE is proposed to reduce the high dimensions of the variational ECG signals, and the principal characteristics of the signals are extracted from the original database by means of the PCA, each signal representing a single and complete heart beat. SVM method is applied to classify the ECG data into several categories of heart diseases. Experimental results obtained demonstrated that the performance of the proposed method was similar and sometimes better when compared to other ECG recognition techniques, thus indicating a viable and accurate technique.     

基于PCA与SVM结合的面部表情识别的智能轮椅控制

为了实现基于面部表情识别的智能轮椅控制,在传统的支持向量机(SVM)面部表情识别与分类方法的基础上,采用基于"八眼"的面部有效区域提取方法,将基于主成分分析(PCA)的面部表情特征提取方法与支持向量机分类方法相结合,实现了面部表情的识别与分类,并最终实现基于面部表情识别的智能轮椅的运动控制。实验结果表明,所采用的方法在识别率上明显优于传统SVM与PCA方法。     

Classification of faces in man and machine

We attempt to shed light on the algorithms humans use to classify images of human faces according to their gender. For this, a novel methodology combining human psychophysics and machine learning is introduced. We proceed as follows. First, we apply principal component analysis (PCA) on the pixel information of the face stimuli. We then obtain a data set composed of these PCA eigenvectors combined with the subjects' gender estimates of the corresponding stimuli. Second, we model the gender classification process on this data set using a separating hyperplane (SH) between both classes. This SH is computed using algorithms from machine learning: the support vector machine (SVM), the relevance vector machine, the prototype classifier, and the K-means classifier. The classification behavior of humans and machines is then analyzed in three steps. First, the classification errors of humans and machines are compared for the various classifiers, and we also assess how well machines can recreate the subjects' internal decision boundary by studying the training errors of the machines. Second, we study the correlations between the rank-order of the subjects' responses to each stimulus-the gender estimate with its reaction time and confidence rating-and the rank-order of the distance of these stimuli to the SH. Finally, we attempt to compare the metric of the representations used by humans and machines for classification by relating the subjects' gender estimate of each stimulus and the distance of this stimulus to the SH. While we show that the classification error alone is not a sufficient selection criterion between the different algorithms humans might use to classify face stimuli, the distance of these stimuli to the SH is shown to capture essentials of the internal decision space of humans. Furthermore, algorithms such as the prototype classifier using stimuli in the center of the classes are shown to be less adapted to model human classification behavior than algorithms such as the SVM based on stimuli close to the boundary between the classes.     

磁瓦表面缺陷机器视觉检测与识别方法

针对磁瓦生产过程中表面缺陷检测的重要性和人工检测的弊端,研究基于机器视 觉的磁瓦表面缺陷自动检测与识别方法。为解决磁瓦表面缺陷种类多、对比度低、图像中存在 磨痕纹理背景和整体亮度不均匀等难点,定义扫描线梯度,其标准差与扫描线灰度标准差构成 特征向量,提出基于两类支持向量机的图像分割方法来判别和提取缺陷;并提出一种改进的多 类支持向量机方法,对缺陷进行分类识别,解决了多类支持向量机存在不可分区域的问题,提 高了分类器的准确性和有效性。实验结果表明,该方法能准确快速地提检测磁瓦表面各区域的 各类缺陷,检出率可达到96%以上,识别率超过91%。