共查询到19条相似文献,搜索用时 187 毫秒
1.
2.
3.
针对传统缺陷检测存在的工序繁琐、不易在线实施、准确率低、容易受人为因素影响,以及用人工神经网络对小样本事件进行缺陷类型识别时存在泛化能力差和过学习等问题,提出一种基于复小波变换和支持向量机(SVM)模式识别理论的缺陷类型识别新方法.在利用小波对超声缺陷回波信号进行消噪的基础上,采用复小波变换获得缺陷回波信号的包络并提取其特征参数,构成输入特征向量后运用支持向量机进行分类.实验结果表明,该方法具有识别准确率高、泛化能力强、容易实现在线处理等优点. 相似文献
4.
支持向量机在混合气体种类光谱识别中的应用 总被引:1,自引:0,他引:1
针对混合气体种类光谱识别中组分气体特征谱线重叠严重的问题,将支持向量机用于混合气体种类光谱识别中,提出了一种基于支持向量机二值分类识别模型的逐一混合气体种类识别方法。利用支持向量机的核函数变换,将特征谱线重叠严重的光谱在高维空间变换为线性可分后再逐一进行混合气体种类识别。在天然气气体种类识别实验中,比较了不同核函数、数据预处理、特征提取、训练样本数等条件与识别结果的关系,结果表明,方法对1%浓度以上的天然气组成气体的正确识别率大于97%,在理论和实际应用中具有重要的推广价值。 相似文献
5.
本文针对马铃薯分级手段落后,分级精度不高的问题,研究了采用基于结构风险最小化原理的支持向量机方法对模式类的识别能力,构造了对应的SVM识别过程和算法,该方法易于实现,且能够找到模式间的最优分类超平面,泛化能力明显提高。最后采用两种核函数,将SVM用于马铃薯分级识别以提取马铃薯外部特征与马铃薯级别之间的映射关系,从而实现模糊性的识别。实验结果表明,此方法对解决马铃薯识别问题具有良好的适应性和实用性。 相似文献
6.
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。 相似文献
7.
为在保证目标识别准确率基础上进行有效特征降维,文章以目标识别准确率为特征选择准则,提出一种支持向量机递归特征消除(Support Vector Machine Recursive Feature Elimination,SVM-RFE)快速筛选出部分优质特征子集与猫群算法(Cat Swarm Algorithm,CSO)迭代寻优结合的特征选择方法,并将该方法应用于水声目标识别的特征选择。实验数据处理结果表明:相比SVM-RFE和CSO特征选择算法,文中提出的方法在平均特征维数降低8%的基础上,平均目标识别率提高了1.88%,能够实现有效降维的目的。该方法对判断特征是否适合用于特定的目标识别也有一定应用价值。 相似文献
8.
9.
10.
11.
基于支持向量机改进算法的船舶类型识别研究 总被引:3,自引:0,他引:3
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。 相似文献
12.
13.
为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。 相似文献
15.
水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。 相似文献
16.
17.
摘要:为了对轴承的运行状态进行有效的识别,以便进一步评估和预测轴承的寿命,提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机(Morlet wavelet kernel support vector machine, MWSVM)的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解,得到相应的小波分解系数,在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高,特征信息间冗余严重的问题,因此,引入了流形学维数约简算法(locality preserving projection, LPP)进行敏感特征信息的提取,减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练,建立轴承的状态识别模型,从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别,试验结果表明了方法的有效性。 相似文献
18.
19.
由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现:在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。 相似文献