基于自排序熵的表面肌电信号特征提取方法

针对人体表面肌电信号的非平稳、非线性特点,提出一种基于排序熵和自互信息的自排序熵指标,定量描述表面肌电信号的内在动力学特性,实现肢体不同运动状态下肌电信号非线性特征的有效刻画.进行健康受试者上肢肘关节不同弯曲角度下表面肌电采集实验,计算其自排序熵指标并运用支持向量机进行动作识别,通过与已有表面肌电特征指标的对比分析,验证文中方法的有效性.     

基于SVM模型的妫水河叶绿素a浓度的遥感反演

以北京市妫水河为研究区,基于2011年9月25日和2012年9月30日的两期叶绿素a浓度实测数据和准同步的环境一号卫星(HJ-1A)多光谱数据,分别构建一元线性和多元支持向量机模型(SVMM),通过决定系数R²和平均相对误差对模型的精度进行检验,用模型进行水体叶绿素a浓度的反演,并分析其时空分布特征。研究表明:在样本数较少的情况下,SVM具有很强的非线性映射能力,能够取得较好的预测结果,更适用于反演叶绿素a浓度。时间分布上,研究区叶绿素a浓度呈增加趋势,均值上升了6.86 μg/L;空间分布上,深水区叶绿素a浓度值低于浅水区,上游高于下游。国产HJ-1A CCD2多光谱数据以其4 d的时间分辨率,在水质动态变化监测方面具有优势。     

基于优化支持向量机的人脸表情分类

分析了支持向量机（support vector machine, SVM）目前主要存在的问题和参数选择对分类性能的影响后, 提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中, 在不牺牲泛化性能的前提下, 对其参数进行优化, 增加了SVM初始化参数的多样性, 减慢了局部搜索, 促进其在全局范围内的寻优搜索, 以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点, 并利用由粗到精的策略构造多层SVM人脸表情分类器, 在提高准确率的基础上加快分类的速度。实验证明, 新算法具有速度快、准确率高的优点。     

基于概率支持向量回归的产品设计时间预测模型

为使产品设计时间预测既克服小样本、异方差噪声问题,又提供除预测值以外的其他有用信息,建立概率支持向量回归(PSVR)模型。首先,在异方差回归模型基础上设计概率约束条件,以使预测值以较大概率位于真实值的某邻域,结合具有参数不敏感损失函数的支持向量回归确定优化目标,提出PSVR。然后,将最大完工时间知识嵌入进PSVR的约束条件,用以确定真实值邻域的宽度,将交叉验证与遗传算法相结合以确定PSVR的相关参数。最后,以注塑模具设计的实例进行分析,结果表明基于PSVR的时间预测方法可同时提供有效的预测值和预测区间。     

面向情感特征的风景图像分类研究及其实现

视觉活动是认知外部世界的主要途径,视觉感知源于物体的外形、色彩及纹理。而颜色特征的不同对人类情感变化起着至关重要的作用。鉴于不同风景图像会产生不同的颜色特征和情感特点,如何建立图像颜色特征与用户评价之间的关系并加以鉴别具有重要的研究意义。该文在学习前人提出的各种颜色提取分类算法的基础上,结合图像的颜色直方图对风景图像的颜色特征进行提取,并利用支持向量机的方法对图像进行分类。实验表明,该方法取得了较好的准确率。     

基于图像处理技术与支持向量机的鱼龄识别

采用图像处理技术,提出了一种基于核主成分分析(KPCA)与支持向量机(SVM)的鱼年龄自动识别新方法。首先通过KPCA提取鱼的耳石图像的主元,然后用SVM对鱼的年龄进行学习、识别和预测。实验表明,该方法取得了较好的效果。 更多还原     

基于SVM的汉语句子片段划分

针对长句子引起句法分析性能下降的问题,本文提出了一种基于SVM的句子片段划分方法:先根据语法结构将句子划分为多个片段,识别出每个片段的类别;然后根据片段的类别将句子分割为几个部分,每个部分作为句法分析的基本单元;最后将句法分析之后的各个部分进行合并,形成完整的分析结果.该方法减小了句法分析的复杂度,提高了分析的准确率.     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

基于多特征融合的运动物体识别方法研究

为了实现运动目标的实时检测,本文基于多特征融合,提出了一种运动物体分级识别方法.首先通过对运动目标的分割,分析得到各个物体的形状矩特征、面积大小及运动速度.对上述特征,采用支持向量机方法对其矩特征进行快速的一级分类,然后对一级分类结果及各物体的面积、速度等信源根据其对分类的重要程度,采用模糊积分技术进行多特征融合分类.实验表明,本方法具有较强的学习能力及较高的识别精度,可有效地应用于道路监控等系统.     

基于KPCA和SVM的火箭发动机试验台故障诊断方法

为了解决液体火箭发动机试验台的故障诊断问题,提出了一种基于核主元分析(KPCA)特征提取和支持向量多分类机(SVM)的故障诊断方法,该方法首先利用核主元分析对试验台标准故障样本进行特征提取,通过特征分析,建立适合于试验台故障状态识别的层次多分类支持向量机,并对其进行训练,然后将试验数据在主元上投影,输入到训练好的支持向量多分类器,对试验台故障状态进行识别.该方法充分利用了核主元分析强大的非线性特征提取能力和支持向量分类机良好的小样本泛化特性,解决了试验台故障诊断中的小样本、非线性模式识别问题.对试验台的试验结果表明,该方法是有效的、可行的.