基于支持向量机与神经网络的间谐波测量混合算法

针对目前缺乏国家标准规范间谐波对电能质量的影响,也缺乏有效的手段监测间谐波的问题,用支持向量机理论对其进行了探索。支持向量机理论将间谐波这个非线性问题变换到更高维的空间中进行线性回归,它基于迭代权调整最小二乘法,引入反向传播神经网络算法整定算法参数,通过反馈现场采集、分析信号,并将教师信号与计算信号的差值作为调整参数的驱动信号,在此基础上通过反向遗传算法(BPNN)的反向传播能力对参数进行基于负反馈的调整,提高了算法的收敛速度。通过数值实验对比,该算法比没有使用差动信号的混合算法效率提高约13%。     

基于遗传算法和支持向量机的特征子集选择方法

在模式分类系统中,往往需要从大量的特征中选择最优的特征子集,人工选择特征的方法往往费时费力,本文采用遗传算法(GA)对支持向量机进行封装的方法选择特征子集。首先使用遗传算法随机产生若干特征子集,通过选择、交叉和变异操作产生新的特征子集,经过若干代之后,得到最优的特征子集。在遗传算法中最重要的是适应度的确定,本文用支持向量机(SVM)作为分类器,为了避免出现“过拟和”,把特征子集的5阶交叉验证分类准确率和特征数量的联合函数作为适应度函数。对UCI机器学习库中SONAR和LED数据集进行实验,结果表明本方法可以有效滤除无关特征并提高分类准确率。     

J-K旋转坐标轴定向的矢量控制策略

考虑到传统矢量控制在空载或轻载时励磁电流损耗较大会导致运行效率降低,研究了一种基于j-k坐标轴的新型矢量控制方法。j-k坐标轴的定向角度超前传统的d-q坐标轴45°。在空载或轻载运行时,控制j轴一个方向的电流大小即可达到控制磁链和转矩的目的。励磁电流不再一直维持在额定值,而是随输出转矩的变化而变化。实验结果表明,可以减小励磁电流损耗,具有控制简单,动态性能良好的优点。     

基于矢量量化的数字视频压缩技术研究

数字视频作为一种重要的信息载体,其应用十分广泛。但是到目前为止,这种大数据量信号的存储和传输仍然受到硬件技术和网络技术发展现状的制约,解决这一问题最现实的方法是设计数字视频压缩算法。矢量量化作为一种十分有效的有损压缩编码技术,具有解码简单、压缩比大等特点,特别适用于电视广播等领域中一次编码多次解码的情况。对各种基于矢量量化器的视频压缩算法进行综述,分析其优缺点,并提出其未来发展研究方向。     

基于多分辨率SVM回归估计的短期负荷预测

针对短期负荷预测支持向量机（SVM）方法的局部逼近能力和泛化能力进行研究，将多分辨率支持向量机（M-SVM）用于短期负荷预测中节点负荷预测曲线的回归估计。该理论在保持曲线总体逼近能力的同时提高了局部区域的逼近能力。文中根据短期负荷预测的具体特点，设计了负荷预测数学模型，采用96条回归曲线进行日负荷的曲线预测，并在该模型的基础上采用实际数据进行验证，分析了这种回归模型的泛化能力。实验结果表明M-SVM模型在预测精度和预测速度方面具有优良的特性。     

用单端矢量网络分析仪测试手机RF电路的差分散射参数

本文以声表的测试为例,说明了采用单端矢量网络分析仪测试手机射频(RF)电路的差分散射参数的原理及方法,其中包含物理三端口的散射参数和模式三端口网络散射参数。     

基于支持向量机的心律失常诊断研究

运用计算机技术辅助激光治疗心律失常疾病,通过非线性动力学分析心电信号,采用模式识别工具实现心律失常疾病的初步诊断。首先提出一种基于经验模式分解（EMD）的时间尺度滤波法,从而有效的抑制心电信号噪声。然后提取预处理后数据的排列熵（Permutatior Entropy,PE）特征值。最后利用支持向量机（SVM）分类器验证特征值的分类。实验结果表明该算法能有效的实现正常和异常心电信号的自动分类,从而简便快速的初步诊断心律失常疾病。