基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法,设计了相应的预处理算法,提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据,比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。     

支持向量机非线性辨识与控制概述

首先讲述非线性系统辨识的一般模型、基于支持向量机（support vector machine．SVM）非线性辨识的结构和SVM辨识与控制的优势、特点,然后阐述了SVM在控制中的应用,包括SVM在内模控制,SVM预测控制及多核SVM控制等,最后探讨了SVM本身在算法快速性,核函数的改进,错误惩罚参数选择以及在SVM中损失函数的选择上存在的问题。     

基于改进人工鱼群算法的无人机路径规划

针对使用基于网格划分策略的改进人工鱼群算法计算无人机路径规划问题中寻优精度与算法计算量的矛盾,提出一种改进人工鱼群算法,该算法引入自适应步长和执行概率自适应分段网格遍历策略.算法前期用较大步长全局搜索较优路径,后期用较小步长及网格分段遍历策略在较优解附近进行局部遍历得到更精确最优解.仿真结果表明所提改进人工鱼群算法比原始鱼群算法和自适应步长人工鱼群算法结果更精确、稳定,较基于简单网格划分策略的人工鱼群算法计算量更小.     

基于降维子空间的多重信号分类快速算法

基于MUSIC的DOA估计存在运算量大的问题,已有的改进快速算法很多是以降低精度为代价的,因此提出了基于降维子空间的多重信号分类快速算法,该算法先利用降维的噪声子空间进行DOA粗略估计,使得MUSIC搜索的运算量大大减小,然后利用最大噪声子空间对估计结果进行修正;数值仿真结果表明,该方法能够在不影响DOA估计精度的情况下显著降低运算量,使MUSIC算法更具实用性.     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

面向深组合导航技术的GPS软件接收机捕获算法

通过研究GPS软件接收机的捕获算法,在传统捕获模式基础上面向深组合导航技术,将外部其他导航系统给出的信息反馈入接收机,辅助信号捕获过程,可以使接收机的捕获速度提高数倍。在基于频域相关技术的捕获算法基础上,通过对频域数据进行分析研究,提出了利用伪距信息缩短相关伪码长度,利用多普勒频移信息缩小频率搜索范围以及截短频域信息减少相关运算量等三种提高算法效率,加快捕获速度的改进方案。通过建立捕获算法的仿真模型进行仿真,验证了改进算法的可行性,确定了改进算法的必要参数。仿真结果表明改进算法较普通算法在捕获速度、运算效率上具有显著的优势。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

基于SVM的移动机器人路标识别算法

提出一种基于支持向量机的移动机器人路标识别算法,其利用SVM分类器对大量的交通标志进行识别。该方法对于场景光线强度变化,图像存在形变以及路标存在阴影遮挡和距离较远等情况都具有学习能力与容错性。实验结果表明,基于SVM的移动机器人路标识别分类器在复杂的室外环境下是有效的、具有鲁棒性的。     

极化敏感阵列的到达角和极化参数联合估计方法

在应用传统的空间谱(MUSIC)算法联合估计来波信号到达角(DOA)和极化参数的时候,需要进行四维谱峰搜索,计算量巨大。针对极化敏感阵列,采用降维MUSIC算法联合,可以估计信号的DOA和极化参数。利用极化矢量的范数为常数这一特点,采用Lagrange乘数法进行降维操作,转换为方位角和俯仰角的二维谱峰搜索,同时可估计出极化相角和极化幅角,大大降低了算法实现的运算量。仿真结果证明了算法的有效性。     

粒子滤波算法在视频目标跟踪中的改进与运用

为实现粒子滤波算法在视频目标跟踪领域的应用,减小算法的运算量,提高算法的适应性和鲁棒性,文中提出利用构造等价有效粒子数的概念,采用选择重采样的方式减少重采样的执行步骤,减少运算量。同时为减小算法对亮度的敏感性,提出利用HSV色彩基准代替RGB色彩基准作为目标特征,对目标进行识别。最后对改进算法进行了试验,结果表明文中所提的方法能减少算法的计算量,有效的改进算法在视频目标跟踪中的稳定性。     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines,SVM）故障分类器,在不易取得训练样本的情况下,实现较高准确率的故障诊断,并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法,以及改进型一对多算法）,通过将其应用到实际电路进行故障诊断当中对其性能进行比较,得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法,核函数的选择对故障诊断的性能也存在着一定的影响。     

利用改进单分类支持向量机提升舰船尾流目标的检测准确率

舰船在航行过程中会在尾部产生一段包含大量气泡的湍流区域,通过对尾流的声学检测可以有效地跟踪船舶。基于一种改进单分类支持向量机（OCSVM）算法,利用无尾流情况下回波信号作为训练集的一个最优分类器,用于尾流回波信号模式判断。对回波信号进行降噪处理,进而提出一种自适应特征提取方法对回波信号进行处理;将特征提取作为输入,使用两层决策边界的双阈值OCSVM算法进行尾流检测。仿真结果表明,与常规OCSVM算法相比,改进算法在不同信噪比下的检测准确率均有提升,检测准确率最高可达96.27%,具有较好的工程应用价值。     

优化支撑向量机及其在陀螺仪参数漂移预测中的应用

针对支撑向量机的结构参数和核函数中的参数主观确定的局限性。将遗传算法和支撑向量机相结合,提出一种优化的支撑向量机算法。首先将支撑向量机的参数以及核函数参数进行基因编码,利用支撑向量机的泛化误差函数作为适应度函数,然后用遗传算法进行优化,有效提高了支撑向量机的学习能力及推广能力。将该算法用于陀螺仪参数漂移预测中,仿真结果验证了算法的可行性和有效性。     

基于特征学习的建筑物自动识别算法研究

针对单幅航拍灰度图像的建筑物自动识别问题,给出了一种基于类特征学习的算法结构.利用建筑物顶部的高亮度特性,采用基于灰度的OTSU方法实现图像的粗略分割;然后采用二阶高斯马尔可夫随机场（GMRF）模型描述已分割图像,得到目标/背景类的6维特征向量;以此特征向量及粗分割的类标记为训练集,训练支持向量机（SVMs）分类器学习两类特征,再用训练过的分类器重新分割图像;最后采用基于先验知识的规则对分割区域进行建筑物/非建筑物判定;理论分析和实验结果表明了算法的有效性.     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

基于支持向量机的坦克驾驶模拟训练结果分析

利用坦克驾驶模拟器进行模拟训练是提高装备操作技能的重要方法。针对以往模拟训练忽视训练数据采集分析和提高训练质量的问题,提出采用支持向量机（SVM）对坦克驾驶模拟训练结果进行分析的方法。为了解决SVM参数选取难的问题,提出一种自适应粒子群优化(APSO)算法对SVM参数进行优化选择,设计动态权重参数并赋予相关惯性,实现粒子动态自适应。引入多位置查询机制和极值点信息以维持不同粒子平衡点的多样性,通过迭代选择与优化目标函数实现对参数的自动寻优。基于APSO算法的支持向量机(SVM-APSO)应用到某型坦克驾驶模拟器的训练结果分析中,结果表明SVM-APSO能克服多维影响因素对训练成绩分类带来的不利影响,实验结果在精度和时间上都有明显优势,验证了SVM-APSO在坦克驾驶模拟训练结果分析中应用的可行性与有效性。     

基于支持向量机的氢混天然气发动机性能预测

为提高氢混天然气（HCNG）发动机的标定效率,精确预测发动机参数,对一台氢气体积分数为20%的HCNG燃料发动机进行试验研究和性能预测分析。基于高转速低负载工况稳态标定试验数据,采用支持向量机（SVM）方法建立发动机参数关联模型,并利用不同寻优算法为模型寻找最优参数,以提高各项参数的预测精度。结果显示：若发动机运行于最大扭矩点火正时,则等效天然气比消耗（BSFC）最小,NO_x比排放（BSNO_x）也处于较理想的水平,尤其在增加氢气比例时,这些外特性有更加显著的提升;SVM模型可以较好地描述发动机输入参数与输出参数之前的非线性关系,自变量与因变量之间的相关性较强（决定系数R²均大于0.97）,模型的预测精度较高,利用遗传算法得出的最优预测模型具有较高的泛化能力,扭矩、BSFC、BSNO_x的平均绝对百分比误差分别仅为1.23%、1.98%、5.43%。