基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别,基于脑电(EEG)信号特征指标构建了一种持续性注意水平识别方法.以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法.在此基础上,选取驾驶员EEG波段(θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化(PSO)算法与支持向量机(SVM)相结合,构建了驾驶持续性注意水平识别算法.最后,基于驾驶模拟器实验数据对该模型予以试算.结果表明模型识别平均正确率可达93.02%.该方法可用于对驾驶员持续性注意水平的识别.     

采用FA和SVDFRM的SVM入侵检测分类模型

提出了一种新型网络入侵检测分类模型,设计了一个基于支持向量机(SVM)的分类器。采用因子分析法(FA)将行为样本的众多相关网络特征融合成精简的综合特征,实现了对网络监测数据的降维。利用支持向量决策函数排序法(SVDFRM),通过支持决策向量函数得到网络行为的特征贡献率并提取网络行为的重要特征。KDD99数据集测试实验结果表明,提出的分类模型降维效果显著,具有较好的实时性和较高的检测率。     

PSO优化的SVM回归在SF6废气定量分析中的应用

气体绝缘组合电器(GIS)内的绝缘介质SF6及其衍生物的种类与体积严重地影响GIS的绝缘能力,定量分析故障GIS内SF6衍生物有助于评估设备发生故障的原因.为了从GIS设备内SF6气体的红外光谱中获取衍生物的种类及体积,使用支持向量机(SVM)回归法建立了SF6及其部分衍生物的定量分析模型,采用粒子群优化(PSO)算法...     

基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。     

SVM算法的区间自适应PSO优化及其应用

核(Kernel)参数选取对支持向量机的推广能力和泛化能力有至关重要的作用,尤其是在对大量数据进行识别分类时,需要占用计算机大量内存,SVM参数优化速度明显缓慢,从而影响了整个系统性能.针对此问题,笔者提出一种区间自适应粒子群算法来优化SVM参数,粒子根据实际情况动态平衡其全局搜索与局部搜索能力,提高了参数优化速度.在入侵检测系统的应用中,与蚁群算法、遗传算法优化SVM参数的结果进行比较.实验证明:此方法分类精度提高约9.7%,响应时间缩短约40.6%～56.5%,具有较大的优势.     

基于SVM和PCA-CS算法的热轧带钢板凸度预测

为了弥补传统控制方法的缺陷,满足日益增长的板凸度精度要求,提出了一种基于支持向量机(SVM)的优化模型,以提高热轧带钢产品的质量.为了丰富数据信息并保证数据质量,建立预测模型的实验数据均来自于某热轧厂,并通过计算多项评价指标来评估模型的预测性能.建立主成分分析结合布谷鸟搜索(PCA-CS)算法优化的预测模型,并与粒子群...     

基于计算机视觉和测量平差理论的相机标定

以计算机视觉中顾及径向和切向畸变的针孔模型为基础,引入测量平差理论,建立了基于计算机视觉和测量平差理论的相机标定数学模型,并以液晶显示屏棋盘格网作为相机标定参照物,以Microsoft Visual Studio为开发平台,利用MFC结合OpenCV编制了相机标定软件Camera Calibration 1.0。通过对数码相机Canon 5D Marx II的标定试验及与近景摄影测量商业软件Lensphoto的对比试验,得出标定参数的精度在±1pixel内,验证了所建相机标定模型的正确性和相机标定软件Camera Calibration 1.0的可靠性,且利用所建相机标定模型实现了对标定参数的精度评定,从而克服了传统计算机视觉中只计算像点坐标重投影误差的单一精度评定方法的局限。最后,将研究成果用于长春市杨家沟采石场边坡结构面信息的勘察实践,获取了采石场边坡大量随机结构面的迹线和产状信息,为基于随机动力学的边坡稳定性评价提供了详实的基础数据。研究成果还可用于以非量测相机作为传感器的其他生产及科研工作。     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

参数优化支持向量机的人参价格预测模型

为了对人参价格进行预测,分析了影响人参价格因素,通过K-fold交叉验证方法,利用粒子群算法对支持向量机的惩罚参数c和ggamma值进行寻优,建立起2010年1月～2011年12月林下参的价格预测模型。利用粒子群算法优化惩罚参数c为3.6974,利用radial basis function核函数的SVM（Support Vector Machine）对预测集1的预测相关系数为97.316%。     

应用PSO和SVM的水下航行器黑箱建模

随着新型水下航行器不断涌现,现有水下航行器数学模型已难以与实际模型吻合.为更好了解新型水下航行器实际模型以及预测新型水下航行器运动,提出应用粒子群(particle swarm optimization,PSO)参数寻优和支持向量机(support vector machine,SVM)的水下航行器黑箱建模方法.首先根据水下航行器的运动状态信息和推进器力,应用支持向量机构造出之间的非线性映射关系,然后通过粒子群智能优化算法获得支持向量机的最佳参数组合,进而实现水下航行器的黑箱建模,最后根据推进器力是否时变,分别以新型四旋翼水下航行器的两种空间运动进行实验验证,并以均方根误差作为空间运动预测结果的评价标准.试验结果表明,基于粒子群参数寻优和支持向量机所构建的水下航行器黑箱模型对空间运动预测具有较小的均方根误差,空间运动预测结果与实际运动基本一致,所建黑箱模型与实际模型基本吻合,能有效预测水下航行器运动状态.     

改进的离散PSO和SVM的特征基因选择算法

针对现有的基于粒子群的特征基因选择算法易于陷入局部最优的问题,提出了一种改进的离散粒子群和支持向量机的特征基因选择算法IDPSO-SVM.该算法首先预选一些与分类强相关的基因组成特征基因备选集合,然后基于此集合采用PSO进行寻优搜索,并应用SVM对选出的特征子集的分类能力进行评估,最后得出最优特征子集.该算法加入了一种可以有效克服粒子群在寻优过程中陷入局部最优的机制,因而可以不断探测到新的最优解.该算法在结肠癌与前列腺癌数据集上的分类精度分别达到了96.8%与99.0%,从而证明了其有效性与可行性.     

Research into a Feature Selection Method for Hyperspectral Imagery Using PSO and SVM

Classification and recognition of hyperspectral remote sensing images is not the same as that of conventional multi-spectral remote sensing images.We propose, a novel feature selection and classification method for hyperspectral images by combining the global optimization ability of particle swarm optimization (PSO) algorithm and the superior classification performance of a support vector machine (SVM).Global optimal search performance of PSO is improved by using a chaotic optimization search technique.Granularity based grid search strategy is used to optimize the SVM model parameters.Parameter optimization and classification of the SVM are addressed using the training date corresponding to the feature subset.A false classification rate is adopted as a fitness function.Tests of feature selection and classification are carried out on a hyperspectral data set.Classification performances are also compared among different feature extraction methods commonly used today.Results indicate that this hybrid method has a higher classification accuracy and can effectively extract optimal bands.A feasible approach is provided for feature selection and classification of hyperspectral image data.     

A new support vector machine optimized by improved particle swarm optimization and its application

A new support vector machine （SVM） optimized by an improved particle swarm optimization （PSO） combined with simulated annealing algorithm （SA） was proposed. By incorporating with the simulated annealing method, the global searching capacity of the particle swarm optimization（SAPSO） was enchanced, and the searching capacity of the particle swarm optimization was studied. Then, the improyed particle swarm optimization algorithm was used to optimize the parameters of SVM （c,σ and ε）. Based on the operational data provided by a regional power grid in north China, the method was used in the actual short term load forecasting. The results show that compared to the PSO-SVM and the traditional SVM, the average time of the proposed method in the experimental process reduces by 11.6 s and 31.1 s, and the precision of the proposed method increases by 1.24% and 3.18%, respectively. So, the improved method is better than the PSO-SVM and the traditional SVM.     

New self-calibration approach to space robots based on hand-eye vision

To overcome the influence of on-orbit extreme temperature environment on the tool pose(position and orientation) accuracy of a space robot,a new self-calibration method based on a measurement camera(hand-eye vision) attached to its end-effector was presented.Using the relative pose errors between the two adjacent calibration positions of the space robot,the cost function of the calibration was built,which was different from the conventional calibration method.The particle swarm optimization algorithm(PSO) w...     

基于支持向量机的进化神经网络集成股市模型

利用粒子群优化算法的全局搜索功能,进化设计神经网络的网络结构与连接权,得到一组独立的神经网络集成个体.利用主成份分析法提取其综合信息,再用支持向量机回归方法对其处理,生成神经网络的输出结果,以此建立股市预测模型.通过实例验证,该方法能有效提高神经网络集成的泛化能力,模型的预测精度高、稳定性好、具有应用推广前景.     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。