基于卡尔曼滤波SVM图像鉴别方法研究

研究如何区分自然图像和计算机图形判别图像问题。由于人眼难以判别真伪图像,针对传统的图像鉴别方法由于参数的设置而造成识别准确率低,从而无法准确的区分自然图像和计算机图形。提出了一种卡尔曼滤波和支持向量机分类算法相结合的高性能图像真伪鉴别方法。算法首先采用卡尔曼滤波器提取图像的各个级别的分量,求解出各级分量和判别的误差值并作为特征数据,然后采用支持向量机分类算法对特征数据进行训练判别。仿真结果表明,提出的算法可以有效的判别图像的真伪,可以有效的识别出原始自然图像和合成图像,识别率高达99%以上,同时算法的稳定性较高,具有一定的实际应用价值。     

时间相关性经验知识与SVM的融合方法研究

时序数据在时间维度上存在着很强的时间相关性,在时序预测中,利用时序数据的时间相关性特点,构造了一种适用于时序数据预测的时序核函数,实现了将时间相关性融合于支持向量机,并通过人工数据和真实数据验证了时序核函数解决时序预测问题的有效性,并与传统核函数相比具有较好的泛化能力。     

基于混淆矩阵和集成学习的分类方法研究

针对多分类问题,本文提出一种基于混淆矩阵和集成学习的分类方法。从模式间的相似性关系入手,基于混淆矩阵产生层次化分类器结构;以支持向量机(SVM)作为基本的两类分类器,对于分类精度不理想的SVM,通过AdaBoost算法对SVM分类器进行加权投票。以变电站环境监控中的目标识别为例(涉及到人、动物、普通火焰(红黄颜色火焰)、白色火焰、白炽灯),实现了变电站环境监控中的目标分类。实验表明,所提出的方法有效提高了分类精度。     

基于支持向量机的代谢网络特征分析

把细胞内所有生化反应表示为一个网络指为代谢网络,是所有参与代谢过程的化合物之间以及所有催化酶之间的相互作用的反映,是抽象表达对细胞的代谢。在不同的物种中都含有大量的代谢翻译,却代谢网络是高度保守的。要了解包括代谢系统在内的许多自然、社会系统都起着重要的作用,所以要对于复杂网络进行研究并掌握它们的规律意义很大。利用代谢网络对微生物的耐热性进行分类研究对认识和利用细胞代谢过程有很大的帮助,从而促进发酵工程、制药工业等产业的发展。     

电网故障下光伏并网低压故障穿越控制策略的研究

电网发生故障或扰动可能造成光伏并网点电压跌落,严重影响电力系统的安全运行,光伏发电站有必要具备在电压跌落范围和时间内保证不脱网运行的能力。提出一种基于无功补偿的光伏并网低压穿越控制策略。该方法在检测到电压跌落时,通过断开外部电压环路将双闭环控制模式更改为单电流环路操作模式,采用改进后的无功补偿控制策略防止逆变器产生过电流,为电网电压提供无功补偿,较好实现不脱网运行。最后利用Matlab / Simulink软件比较和分析低压穿越控制策略前后的相关参数。仿真结果表明,改进的控制策略可以有效地抑制逆变器输出电流的增加,并且能提供无功功率来支持电网电压,以在电网电压骤降期间实现低压穿越。     

双向准Z源逆变器驱动永磁同步电机的快速有限集模型预测控制

双向准Z源逆变器驱动永磁同步电机(PMSM)系统在兼具Z源逆变器和PMSM优点的同时,还可实现能量的双向流动。针对双向准Z源逆变器驱动PMSM系统的特点,提出一种快速矢量选择有限集模型预测电流控制(FCS\|MPCC)策略。由双向准Z源网络直流链电压闭环与PMSM电磁功率前馈生成电感电流参考值,由电机转速闭环生成电机电流参考值。通过预测直通(ST)及非直通(NST)状态下的电感电流值并引入电感电流子代价函数以确定是否选择ST状态,进而实现对直流链电压的控制。在NST状态下,结合空间电压矢量脉宽调制策略,仅使目标电压矢量所在扇区的4个矢量参与PMSM定子电流预测和代价函数计算,以选择最优的开关状态,在实现对PMSM转速控制的同时减小在线计算量。仿真结果表明,所提控制策略可实现对双向准Z源逆变器的升压及PMSM牵引或制动工况下的转速控制,系统具有良好的稳态及动态性能。     

基于局部线性嵌入和支持向量机回归的TBM施工参数预测

依托吉林引松工程开展隧道掘进机（TBM）施工参数预测研究,提出TBM施工数据分段提取算法,提取上升段前30 s的总推进力、刀盘转速、推进速度、刀盘扭矩、刀盘转速电位器设定值、推进速度电位器设定值、贯入度、贯入度指数(FPI)、扭矩切深指数(TPI)9个参数作为输入;通过局部线性嵌入（LLE）完成对上升段数据特征的降维;基于支持向量机回归（SVR）建立TBM施工控制参数（推进速度、刀盘转速）和负载参数（总推进力、刀盘扭矩）预测模型. 分析是否结合前一掘进循环的FPI、TPI指数进行预测对预测效果的影响. 结果表明,上述方法在推进速度、刀盘转速、总推进力、刀盘扭矩的预测中均取得了较好的预测效果,平均预测绝对百分比误差均小于15%,验证了该预测方法的有效性,该方法可以为TBM现场施工提供指导.     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

基于数据融合的ABC-SVM社区疾病预测方法

针对现有社区医疗服务中的疾病预测方法存在数据利用率低、疾病分析类型单一、自动化程度差、疾病预测效果不理想等不足,提出在物联网大数据环境下可用于社区医疗的健康数据融合及疾病预测方法. 通过主成分分析(PCA)和聚类分析对社区中居民的生理指标数据进行特征提取;结合人工蜂群(ABC)算法构造支持向量机(SVM)非线性分类器对数据进行特征级融合分析并预测潜在疾病. 实验结果表明,所提方法的疾病识别准确率达到93.10%,相较于传统SVM方法和BP神经网络方法分别提高17.24% 和72.41%. 该方法能够在提高数据利用率、降低计算资源消耗的前提下有效识别多种潜在疾病,可实现疾病早发现、早预防、早治疗;可广泛应用于社区健康管理、老年社区监护甚至临床医疗.     

Machine-Learning based methods in short-term load forecasting

Short-term load forecasting is of great significance to the secure and efficient operation of power systems. However, loads can be affected by a variety of external impact factors and thus involve high levels of uncertainties. So it is a challenging task to achieve an accurate load forecast. This paper discusses three commonly-used machine-learning methods used for load forecasting, i.e., the support vector machine method, the random forest regression method, and the long short-term memory neural network method. The features and applications of these methods are analyzed and compared. By integrating the advantages of these methods, a fusion forecasting approach and a data preprocessing technique are proposed for improving the forecasting accuracy. A comparative study based on real load data is performed to verify that the proposed approach is capable of achieving a relatively higher forecasting accuracy.