新型电动汽车动力电池SOC估计方法研究

利用支持向量回归算法(ε-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性,对电动汽车动力电池的荷电状态(State of Charge,简称SOC)估计方法进行了研究,确立了动力电池的电压、电流、输入输出功率与SOC之间的非线性关系.通过对比BP神经网络算法进行了仿真实验.结果表明,利用ε-SVR算法能更准确地逼近实际SOC值,获得更好的估计效果.     

基于混合免疫算法的变压器故障诊断

为了提高变压器故障诊断正确率,提出一种免疫支持向量机混合智能诊断方法,首先将变压器故障分为放电性和过热性,然后用免疫聚类算法对所荻取的数据进行预选取,加快模型参数的确定速度,利用支持向量机识别类内变压器故障,利用基于交叉验证的网格搜索法来确定支持向量基的参数.经过大量实例分析,并将其结果与神经网络方法进行对比,表明该算法具有较高的诊断精度.     

基于支持向量机的红外成像自动目标识别算法

本文针对实战中红外成像制导导弹面临的自动目标识别问题,提出了一种利用若干二维图像识别三维目标的自动目标识别算法,并引入支持向量机作为分类器．仿真试验结果表明,该算法能够成功地识别三维空间中任意角度的目标,很好地解决了许多二维识别算法难以解决的三维目标识别问题．同时,通过比较,证明该算法比传统识别算法拥有更高的识别率．     

基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测

铁路接触网绝缘子状态检测对铁路行车安全有着 重大的意义,为解决目前人工对绝缘 子图像检测结果的不确定性,提出一种深度学习结合灰度纹理特征的检测方法。首先使用 Faster R-CNN (faster region-based convolutional neural network)目标检测算法对图像中绝缘子精确识别,再通过灰度共生矩阵对绝缘子纹理 特征进行分析提取,之后结合支持向量机将绝缘子分为正常绝缘子和异常绝缘子,实验数 据结果证明使用能量、熵、相关度3种纹理特征进行绝缘子状态分类时对实验数据中的正 常状态绝缘子的分类精度可达100%,异常状态绝缘子的分类精度达97.5%,最后依据绝缘 子图像灰度分布的周期性特点,利用灰度积分投影将异常绝缘子分为破损绝缘子和夹杂异 物绝缘子。实验结果表明所提方法可以有效对绝缘子状态进行检测分类。     

TETRA通信与干扰信号智能识别技术

陆上集群无线电(Terrestrial Trunked Radio,TETRA)数字集群通信系统因其开放性易受到内外部电磁干扰。干扰信号的类型多种多样,针对不同的干扰样式,采取的抗干扰措施也各不相同,因此干扰信号的识别具有重大意义。基于此,提出了一种干扰信号智能识别技术。该技术首先对受到不同干扰后的TETRA音频数据进行特征提取,并筛选出具有分类能力的特征,其次使用决策树、支持向量机和随机森林3种分类模型对特征提取后的待测试信号进行智能分类识别。实验结果表明,使用的这3种模型能够有效判断TETRA系统中的信号是否受到干扰,以及受到何种样式的干扰,可为后续TETRA系统中的信号干扰识别提供参考。     

飞机战伤评估与修理决策支持系统研究

研究和探讨了建立飞机战伤评估与修理决策支持系统的可行性、有益性，以及飞机战伤评估与修理决策支持系统的总体结构和功能，知识表示方法，推理机制和过程等方面的问题。     

基于改进人工鱼群-蛙跳算法优化LSSVM参数短期负荷预测

短期电力负荷预测在电力系统安全调度、经济运行方面起到关键作用。在用最小二乘支持向量机进行负荷预测时,参数选择将直接影响预测精度。为了提高LSSVM负荷预测精度,文中提出一种基于Levy变异自适应视野人工鱼群-蛙跳算法对LSSVM进行参数优化的方法。以某县负荷、天气等历史数据对LSSVM进行训练,建立LAVAFSA-SFLA-LSSVM、AFSA-LSSVM、LAFSA-SFLA-LSSVM共3种预测模型,对该地区某日24 h的电力负荷进行预测。算例结果表明,LAVAFSA-SFLA-LSSVM预测精度比AFSA-LSSVM和LAFSA-SFLA-LSSVM更高,预测误差更小。     

电信BS架构系统迁移及云化研究

深入分析了电信BS架构系统迁移的相关问题及解决方案,并对BS架构系统IaaS及PaaS云化方案进行了研究,提出了两种IaaS和一种PaaS解决方案,能有效地解决电信BS架构系统Web及应用层云化相关问题,同时给出了迁移及云化演进路径和分阶段推进建议,对于推进云计算在IT支撑系统中的应用,具有较好的价值贡献。     

一种基于段级特征和自动标识的语言辨识算法

本文研究了一种结合"声学信息"和"音素配位学信息"进行语言辨识的新算法,首先在预处理中对语音进行自动分段,在特征层上引入带有长时信息的段级特征参数--段级移位差分倒谱,在模型层上利用高斯混合模型(Gaussi-an Mixture Model,GMM)将语音信号自动标识为符号序列,进而引入多元语言模型(Multi-gram Language Model,MLM)来对"音素配位学信息"进行建模,最后将"GMM得分"和"MLM得分"送入后端多分类支持向量机模型得到最终识别结果.相关实验表明,新系统不需手工标识的语料,识别速度快,对OGI标准语料库中的五种语言获得了开集正识率为78.84%的结果.