支持向量机算法在CO浓度传感器中的应用

针对基于红外光谱的CO气体定量分析模型对机动车尾气排放中有害气体CO的定量分析;选取了浓度范围在0.5%～20%的15组不同浓度的CO气体样本,建立CO浓度的支持向量机（ SVM）回归分析模型,基于改进的网格搜索法对SVM的相关参数进行了优化。实验结果表明：经过SVM的回归分析,与传统的光谱吸收方法相比,处理后浓度值比实验所得浓度值更接近CO标定值;与粒子群优化（ PSO）算法作对比,采用网格搜索法获得的最佳参数糟＝0.707,早＝0.5,PSO获得的糟＝55.911,早＝0.01,所用时间比PSO算法节省约40%。SVM应用于CO的浓度分析,符合实验要求,回归效率提高。     

基于网格模式搜索的支持向量机模型选择

支持向量机的模型选择问题就是对于一个给定的核函数,调节核参数和惩罚因子C。分析了网格搜索算法和模式搜索算法,通过结合上述两种算法的优点提出了网格模式搜索算法。其核心原理是先用网格算法在全局范围内进行快速搜索,找到最优解的最小区间,再在这个最小区间内用模式搜索算法找到最优解。实验证明,网格模式搜索具有学习精度高和速度快的优点。     

基于支持向量机的混合气体定量分析

为了降低电子鼻对混合气体定量分析的误差,消除气体传感器阵列的交叉敏感特性,文章提出了一种在电子鼻中运用支持向量机进行模式分析的方法。用支持向量机对丁烷和乙醇混合气体所测得的原始数据进行处理,并将其与BP神经网络方法对比。结果表明,该方法预测精度高于传统的BP神经网络,在训练速度上也比BP网络神经更快,能有效地完成混合气体组分的定量分析。     

基于网格搜索支持向量机的网络流量预测

网络流量预测在网络运行管理中具有重要作用.为提高预测准确性和可靠性,采用网格搜索法寻求支持向量机的最优平衡参数和核函数参数并在此基础上建立预测模型,以许昌学院校园网2010年9月30日至2011年10月9日的网络流量为实例测试预测效果.研究结果表明,基于网格搜索支持向量机预测法的预测结果能准确地反映网络流量的变化趋势且具有较好的预测精度,验证了其在网络流量预测中的可行性.     

改进蚁群算法在支持向量机中的应用

提出一种改进的蚁群算法(ACA)来优化支持向量机(SVM)训练参数.该改进算法建立于每只蚂蚁只根据参数β在其前次迭代的最优解附近搜索,可快速减少搜索范围.参数β的提出可以保证蚁群快速地达到最优解.仿真结果表明:使用该方法优化SVM参数可有效避免陷入局部极值,提高收敛速度.     

基于交叉验证网格寻优支持向量机的产品销售预测

综合考虑影响汽车销售的多种因素,运用交叉验证网格搜索优化支持向量机的惩罚系数和核函数参数,建立了适合汽车销售的预测模型.仿真实验结果表明,改进支持向量机优化汽车销售预测模型的预测效果比某公司当前采用的模型更佳,该模型具有较高的预测精度和较大的可信度,可为企业决策层提供较为准确的销售预测参考.     

改进的支持向量机在心脏病预测中的研究

应用支持向量机对心脏病患者和非心脏病患者的分类进行研究,构建心脏病预测模型,辅助医生进行心脏病诊断.选用径向基核函数构造支持向量机分类器,利用网格搜索与交叉验证相结合的方法对模型进行初步的优化,缩小参数寻优的取值范围,在此基础上使用粒子群优化算法(PSO)对模型进行进一步优化,得到模型最佳的惩罚因子C和核参数g.将优化...     

基于支持向量机的红外光谱混合气体组分分析

以符合Lambert-Beer定律的光谱信息为研究对象,建立了基于支持向量机的光谱混合气体组分分析模型,并对分析模型进行了实验：模拟混合气体的光谱信息,配制了18个组分浓度不同的样本,其中9个样本作为训练集,另外9个样本作为检验集。实验表明,支持向量机的预测结果要优于神经网络的预测结果。     

基于支持向量机的水质浊度补偿研究

针对传统浊度传感器的非线性误差,无法满足直接对水中浊度进行精确测量的需求,提出了一种支持向量机的方法补偿其性能。而支持向量机中惩罚系数和核参数决定了其补偿的性能,传统支持向量机寻参方法速度慢、运算量大,具有一定的局限性。针对其参数的选择优化提出了改进的网格搜索法优化支持向量机,即采用改进的网格搜索法来针对水质浊度监测传感器补偿系统的特性来优化选择惩罚系数和核参数。实验结果表明,基于网格搜索法的支持向量机测量精度达到93.0%,其各项测量误差满足实际标准要求。     

基于支持向量机算法的气体识别研究

利用多传感器或者传感器阵列,同时,结合神经网络技术来进行气体识别和定量分析研究已成为目前传感器领域的一个研究热点。介绍了一种在该领域还没有引起足够重视的算法———支持向量机算法(SVM)。利用该算法,结合多传感器技术,对 3种不同体积分数的有机溶剂进行了识别研究,并取得了较好的识别效果,证明了该算法在气体识别领域具有相当大的研究价值。     

基于自适应变异粒子群优化的SVM在混合气体分析中的应用

针对混合气体定量分析中,支持向量机建模的参数难以确定、红外光谱数据计算量过大以及气体间交叉干扰等问题。提出了一种自适应变异粒子群优化的支持向量机方法,用于建立基于红外光谱的多组分混合气体定量分析模型。混合气体主要由浓度范围在0.5%~8%的CO、3.6%~12.5%的CO2及200×10-6~3270×10-6的C3H8三种组分气体组成。利用粒子群优化算法对支持向量机建模中的参数进行优化选择,并与遗传算法优化的支持向量机作对比。实验表明,采用此方法建模所用时间为39.524 s,遗传算法为26.272 s;针对CO2独立建模的预测结果,粒子群优化算法均方差为0.000123758,遗传算法均方差为2.14952。在建模时间略高的情况下,粒子群优化算法预测结果均方差明显低于遗传算法。     

基于PCA-SVM混合算法的嗜热菌和常温菌网络特征的研究

通过比较嗜热菌和常温菌代谢网络的特征参数,可以从系统角度确定微生物嗜热性的主要因素。本文首先利用主成分分析法对22个网络特征进行相关性分析,根据特征值、载荷值的大小最终选择了11个主要网络特征:用选出的这11个网络特征组成特征向量,利用支持向量机构建分类器,对嗜热菌和常温菌进行分类,其全局平均预测率为82.93%,对常温菌和嗜热菌的平均预测率分别为87.86%和72.40%。结果表明利用主成分分析法选择的网络特征可以很好的表征嗜热菌和常温菌的耐热性,因此簇大小分布的平均信息等11个网络特征是影响微生物耐热性的关键的代谢网络特征因素。     

基于黄金分割和BP网络的气体体积分数预测模型

研究基于黄金分割法的神经网络在红外光谱定量中的应用。通过黄金分割法对神经网络隐含层节点数进行优化,再将4组分混合气体预测集样本通过LM学习算法建立模型,用所得到的神经网络模型对10组混合气体光谱数据进行检验,平均相对误差为0.63%。使用该方法建立多组分污染气体定量分析模型的时间短,而且能够较精确地预测各组分的体积分数。     

基于SVM的酒店客户评论情感分析

通过增加情感词典种类提高系统对网络词汇、表情符号进行分词和情感分析的准确性;以某酒店的客户评论为原始数据,提取正负向情感词的数量、否定词、程度副词以及特殊符号数量等文本特征后进行不同的特征组合,通过K重交叉验证和网格搜索算法找到SVM（支持向量机）算法的最优参数组合C和g。采用SVM对不同的特征组合进行训练测试并对每个组合的正确率进行分析,然后找出最适合用户评论情感分析的文本特征及特征组合。结果表明：在每个特征组合获取其最优的C和g参数组合的前提下,选用正负向情感词、否定词、情感分值、程度副词的特征组合测试正确率最高,达到93.4%。     

红外吸收型CO_2气体传感器的设计

根据CO2气体的吸收光谱,基于比尔朗伯定律,设计了一种易于实现的红外吸收型CO2气体传感器。它采用单束双波长非发散性红外测量方法,对CO2气体实现了高精度、高选择性的检测。该传感器结构简单、外形尺寸小、性能稳定、抗干扰能力强,具有广阔的应用前景。     

基于热释电红外传感器的车辆和人员分类

设计了一种应用于野外环境中的热释电红外系统,并创新性地提出用单热释电红外传感器节点进行车辆和人员的分类.分类算法利用信号的幅度、信号的持续时间、信号一阶差分值的绝对值的最大值作为特征向量,利用支持向量机（SVM）进行目标分类.在10,20 m处分类准确率分别可以达到93.5％,94.5％,并且针对10,20m的综合分类准确率可以达到92％.该系统扩展了热释电传感器的应用范围和应用场景,所用分类方法对于其他同类传感器系统具有一定的借鉴意义.     

自适应网格处理技术在传感器管理中的应用

传感器管理作为数据融合系统的反馈环节,其重要性不言而喻。传感器管理的范围和内容较为广泛,文章借助自适应网格处理技术在解决时变模式集合很大的系统时的有效性对传感器管理中的策略控制进行了初步探讨,提出一种基于自适应网格的控制策略,通过仿真证明了策略的有效性。     

A kernel-based method for pattern extraction in random process signals

In many applications, one is interested to detect certain patterns in random process signals. We consider a class of random process signals which contain sub-similarities at random positions representing the texture of an object. Those repetitive parts may occur in speech, musical pieces and sonar signals. We suggest a warped time-resolved spectrum kernel for extracting the subsequence similarity in time series in general, and as an example in biosonar signals. Having a set of those kernels for similarity extraction in different size of subsequences, we propose a new method to find an optimal linear combination of those kernels. We formulate the optimal kernel selection via maximizing the kernel Fisher discriminant (KFD) criterion and use Mesh Adaptive Direct Search (MADS) method to solve the optimization problem. Our method is used for biosonar landmark classification with promising results.     

一种改进的网格搜索闪电定位算法

闪电定位具有较高的实时性和定位精度要求,网格搜索算法存在计算量大的问题。提出了一种基于网格搜索的闪电定位算法优化方法。该方法采用多维空间数据索引快速搜索候选目标区域,通过对比存储在各候选目标区域上的SVM（Support Vector Machine）分类器的分类误差进行闪电定位。实验表明,该方法具有较好的定位精度和可靠性,且能满足实时闪电定位要求。