支持向量机虹膜识别算法研究

提出一种基于极值加权平均分数维特征提取和支持向量机分类器识别的虹膜识别方法.利用形态学和圆形边缘检测算子定位虹膜,并将虹膜纹理映射到极坐标空间;定义了一种新的图像分敷维--极值加权平均分数维,用于提取虹膜特征;利用支持向量机分类器对虹膜特征矩阵进行匹配识别.试验表明,基于极值加权平均分数维特征提取和支持向量机分类嚣识别的虹膜识别系统识别率高,速度快.     

SVM和BP算法在气体识别中的对比研究

介绍了一种可以应用于气体识别领域的新的算法-支持向量基算法(SVM),并通过同常规的神经网络算法-BP算法进行实验对比,得到了:SVM算法在数据样本不含噪声时可以得到和BP算法同样好的识别效果;在数据言本含有噪声时,该算法的识别效果相对BP算法具有明显的优势.从而证明了SVM算法在气体识别领域具有良好的研究价值和应用前景.     

基于支持向量机的移动机器人环境识别

针对未知环境下移动机器人的环境理解与识别问题,提出了一种支持向量机(SVM)的环境识别算法.在对移动机器人室内外特征环境分析和建模的基础上,通过机器人配置的多超声波传感器获取环境的距离信息,直接作为环境的特征,按照从左到右的顺序组成表征环境轮廓的六维特征向量,送入支持向量机训练并用于特征环境的识别.克服了多超声波传感器测量数据的不确定性对分类结果准确度的影响,实现了移动机器人对室内外特征环境的正确识别.仿真和实验验证了方法的可行性,与传统的分类算法相比,算法对环境具有更高的识别正确率,在训练样本较少的情况下,能够在不同的位置和角度准确测量识别多类特征环境,具有一定的实用价值.     

基于支持向量机算法的葡萄酒种类识别

本文研究了一种基于支持向量机的葡萄酒分类模型,选取UCI数据库中的wine数据集进行检验.结果显示,将支持向量机算法引入葡萄酒分类模型,可以减少参数选取的盲目性,提高预测分类的准确性.     

基于支持向量机的语音识别研究

为了得到较好的语音识别效果,构建了基于线性核函数支持向量机的非特定人孤立词语音识别系统,取得了较高的识别率,并将该实验结果同基于HMM的识别结果进行了比较,显示出了支持向量机在基于有限样本情况下进行语音识别的优势。     

基于模糊支持向量机的步态识别

提出基于模糊支持向量机（FSVM）的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。实验结果表明,模糊C均值法的识别率均略好于SVM,直接取值法的识别率甚至低于SVM,因此,选取正确的模糊隶属度确定方法是FSVM能否成功应用于步态识别的关键。     

基于改进支持向量机的货币识别研究

首先,预抽取支持向量以减少训练样本数量,大大缩减训练时间;然后,用缩减后的样本对改进后的分类支持向量机进行货币识别.改进后的支持向量机不仅把目标函数惩罚项模糊化,而且还对分类情况进行了加权补偿.实验仿真结果表明:此方法避免了神经网络的"过拟合"问题,而且比改进后BP、LVQ和GMM模型等方法的识别率都有所提高,当训练样本数达到100时,识别率高达99-06%.     

基于模糊支持向量机的步态身份识别研究

由于传统支持向量机本身一些固有的缺陷,众多的学者开始将模糊数学的思想引入支持向量机中,在传统支持向量机的基础上加入了“模糊隶属度”因子．从而构造出了一种新的分类器一模糊支持向量机。本文力图通过分析模糊支持向量机在语言识别方面已有的实验成果。探讨模糊支持向量机在步态识别中的可行性,从而期望模糊支持向量机在步态识别领域能够取得更好的分类效果。     

基于支持向量机的汽车胎号识别算法研究

为了提高汽车轮胎号自动识别的正确率,提出一种利用支持向量机的汽车胎号识别算法。首先采用图像采集设备获得胎号图像,并进行预处理,然后提取字符的特征向量,采用主成分分析对特征向量进行降维处理,最后采用支持向量机进行字符识别,同时利用遗传算法优化支持向量机的参数。仿真结果表明,采用支持向量机的汽车胎号识率达到97.52%,误识率和拒识率极低,很够很好满足汽车胎号识别要求。     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法,突破了传统模式识别方法的局限,使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块,实验结果表明该系统具有较高的识别率和较强的实用性。     

一种新的模糊支持向量机多分类算法

在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机（fuzzy support vector machines,FSVM）的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合分类方法,提出了一种基于一对多组合的模糊支持向量机多分类算法,并与1-a-1(one-against-one)组合和1-a-a组合的分类算法比较。数值实验表明,该算法是有效的,有较高的分类准确率,有更好的泛化能力。     

一种基于支持向量机的内模控制方法

在基于数据的基础上,采用SVM回归理论建立系统的正向模型和设计逆模控制器.首先简要介绍了SVMR的原理,然后将其应用于内模控制问题,并建立了SVMR模型.其次,在控制过程可逆的条件下设计了SVMR控制器.最后将该控制方法应用于一可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与神经网络IMC相比,具有较简单的模型和较好的控制性能.     

基于支持向量机的石油管线缺陷识别方法研究

针对管道超声检测缺陷识别问题,从数据挖掘角度,提出一种基于支持向量机的石油管线缺陷自动识别新方法。通过超声石油管线缺陷大量检测实验表明:该方法具有准确率高、推广性强、容易在线实施等优点。     

基于支持向量机的直接逆模型辨识

在简单讨论逆模型辨识原理的基础上,利用支持向量机(SVM)对函数逼近的能力,提出了基于支持向量机的直接逆模型辨识方法.分别采用二次核函数以及高斯RBF核函数,利用训练数据对线性和非线性系统进行黑箱辨识.仿真结果表明,基于支持向量机的直接逆模型辨识方法在处理线性和非线性对象时,辨识性能都优于传统的BP神经网络,不仅辨识精度高,辨识速度快,而且泛化能力较强.     

基于支持向量机的车辆牌照识别的研究

将支持向量机（SVM）引入到复杂条件下运动车辆牌照字符的识别中。回顾了车牌识别研究的现状,简要介绍了SVM的基本原理,比较了SVM算法和神经网络算法在车牌字符识别上的优劣;提出了采用基于先验知识的二叉树结构组合多个二值分类支持向量机来解决车牌字符的多类识别问题。在实验中采用了LibSVM训练软件,针对车牌汉字的小字符集进行了仿真,同时与神经网络分类方法进行了比较。实验结果表明该方法的汉字识别率较高,在小字符集车牌汉字识别中具有较强的实用性。     

基于支持向量机的流量分类方法*

针对现有流量分类方法存在的准确率低、应用范围受限、计算复杂度高等问题,提出使用支持向量机方法来解决流量分类问题。使用公开的人工标注数据集作为训练集和测试集,通过有监督学习构建支持向量机流量分类器。此外,通过实验进一步分析了训练集大小、核函数、惩罚因子等因素对支持向量机分类性能的影响。实验结果表明支持向量机分类器可以达到98%以上的流分类准确率。     

支持向量机-模糊推理自学习控制器设计

常规的模糊推理系统大多由专家经验建立模糊规则,自学习能力不强.提出了一种支持向量机-模糊推理系统,由支持向量机实现模糊推理系统的自学习,并设计了一种支持向量机-模糊推理自学习控制器.文章给出了自学习控制器的结构和学习算法,对比研究了变尺度梯度优化和混沌优化两种学习算法.针对非线性对象的仿真实验验证了该控制器的优良性能,控制效果比模糊逻辑控制器更好.     

基于支持向量机的非线性离散动力学系统控制

提出了一种用支持向量机辨识系统状态空间模型的非线性离散动力学系统控制新方法. 在本方法中, 采用最小二乘支持向量机在每一个工作点辨识非线性系统的局部最优线性化模型. 针对该模型, 采用常规的线性控制方法在每个工作点设计局部线性控制器, 并在整个控制任务的每个工作点重复此设计过程.用该方法对两个典型的非线性离散系统采用极点配置技术进行了仿真验证, 结果显示系统对参考输入具有满意的跟踪性能, 证明该方法是有效和可行的.     

基于支持向量机的计算资源反馈调度

在实时控制系统(RTCS)中,计算资源一般受限。由于诸多不确定性因素和工作负载的动态变化,系统总是运行在不可预期的开放环境中。为保证系统的稳定运行,提出了一种基于支持向量机(SVM)的计算资源反馈调度方法。它周期性地监测系统计算资源,通过SVM在线预测,得到各个控制回路的下一个采样周期,从而实现系统计算资源的动态分配。通过仿真实验验证了该反馈调度方法的性能,并与理想情况、传统开环调度方法进行了比较,显示了其优越性。     

Adaptive predictive path following control based on least squares support vector machines for underactuated autonomous vessels

Since vessel dynamics could vary during maneuvering because of load changes, speed changing, environmental disturbances, aging of mechanism, etc., the performance of model‐based path following control may be degraded if the controller uses the same motion model all the time. This article proposes an adaptive path following control method based on least squares support vector machines (LS‐SVM) to deal with parameter changes of the motion model. The path following controller consists of two components: the online identification of varying parameters and model predictive control (MPC) using the adaptively identified models. For the online parameter identification, an improved online LS‐SVM identification method is proposed based on weighted LS‐SVM. Specifically, the objective function of LS‐SVM is modified to decrease the errors of parameter estimation, an index is proposed to detect the possible model changes, which speeds up the rate of parameter convergence, and the sliding data window strategy is used to realize the online identification. MPC is combined with the line‐of‐sight guidance to track straight line reference paths. Finally, case studies are conducted to verify the effectiveness of the proposed path following adaptive controller. Typical parameter varying scenarios, such as rudder aging, current variations and changes of the maneuverability are considered. Simulation results show that the proposed method can handle the above situations effectively.