与众不同的魅力——魅爵大众二代机“MC—VW510S2”测试报告

在2014年的第十届广州汽车用品展览会现场,各个品牌都争先推出其新产品,魅爵大众二代机MC—VW510S2正是其中之一。魅爵大众一代机在目前后装市场反响不错,据悉二代产品在一代产品的基础上升华,可说是集合了魅爵研发团队智慧的又一心血结晶。对于二代产品,魅爵明显是抱以绝对的信心,究竟在这个百花齐放的车载导航市场。魅爵大众二代机MC—VW510S2产品能为我们带来怎样的惊喜,就让我来带领大家由外而内了解一下这款它究竟于前代产品有何不同。     

应用于临床生存时间预测的二次学习算法研究

生存时间预测在医学、经济和工程等领域有着广泛的应用。随着机器学习技术和数据挖掘技术的发展和广泛应用,研究人员提出了很多基于机器学习技术的生存时间预测算法。这些算法虽然都取得了良好的效果,但预测精度均有提升的空间。因此,提出了一种基于二次学习风范的生存时间预测算法,并结合最近邻算法在截尾样本估计上的应用以及支持向量机在泛化性能上的优势,实现了对临床生存时间的建模。实验结果表明,该算法能够获取精确的生存时间,且具有预测精度上的性能优势。     

益阳橡机八项创新成果获国家专利

益阳橡机八项创新成果获国家专利     

基于边缘检测和颜色纹理直方图的车牌定位方法

针对已有车牌定位算法在分辨率高、背景复杂图像上存在准确率下降的问题,提出了一种基于边缘检测和颜色纹理直方图的车牌定位算法。该定位算法分为两个阶段：首先利用结合了Canny和Sobel算法的改进边缘检测算法提取图像的垂直边缘,并结合滤波、投影等方法进行车牌粗定位;然后提取候选区域的颜色纹理直方图,与训练好的分类器进行匹配,实现车牌的精确定位。实验表明,该方法对于背景复杂、光照不均等情况均有良好的鲁棒性,在白天和晚上都能取得较好的定位效果。     

基于PLC的港口集装箱码头装卸模型下位机控制系统设计

根据港口集装箱码头装卸作业的实际情况,基于PLC,设计装卸模型所对应的下位机控制系统,并介绍设计过程中的技术要点、注意事项.     

多种代数特征抽取方法下的人脸图像SVM算法研究

本文分别用主成分分析(PCA)、独立成分分析(ICA)以及线性鉴别分析(LDA)方法对图像进行特征抽取,采用支持向量机(SVM)算法进行人脸图像分类。通过在YALE人脸图像库上的实验结果验证表明,在多种特征抽取方法下的图像分类算法是有效的。     

浅谈橡机行业新一轮发展的契机

面对子午胎强劲的发展势头，抓住橡机行业的重要发展期，加大科技投入和技术创新，组建橡机行业的“航空母舰”，以服务推动市场，主动迎接加入WTO后的挑战，谋求世界橡机市场的更大份额，把中国橡机水平推向新高度。     

均化库堆场堆料机接近开关的再优化

我厂于1996年引进一台均化库堆场堆料机，用于均化混合料。堆场规格为148m×32m，整个堆场共划分为3个区域：1堆、2堆和障碍区（图1）。堆场概貌如图1所示。[第一段]     

基于PCA和SVM的遥感影像水体提取方法及验证

针对内陆湖泊水质及光谱特性空间差异性大、支流水系结构复杂而导致的遥感影像水体提取精度低的问题,提出了结合光谱主成分分析(PCA)及支持向量机(SVM)的PCA-SVM水体提取算法。基于GF-1卫星遥感影像,对原始影像光谱波段特征进行PCA降维,从中优选熵、方差、差异性纹理特征向量,结合原始波段及归一化差分水体指数(NDWI),构建了8维特征向量,并基于SVM算法提取湖泊水体。以巢湖洪水期与非洪水期影像为研究实例,分别采用NDWI法、传统SVM算法及PCA-SVM算法对水体进行提取,并进一步基于PCA-SVM算法对2020年汛期巢湖洪水期淹没演变过程进行反演和跟踪,定量解析特征向量组合及SVM惩罚系数C对水体提取性能的影响。结果表明：PCA-SVM算法提取的湖泊完整、支流连续,显著改善了含蓝藻水体漏提、建筑物误提等问题;洪水期和非洪水期提取结果的F1分数分别为95.08%和97.95%,虚警率分别为5.43%和1.13%,提取精度显著高于NDWI法和SVM算法。     

基于支持向量机的边坡稳定性系数预测及变量分析

边坡稳定性研究对于地质灾害的防治尤为重要,为了研究不同机器学习模型的边坡稳定性预测效果,以边坡稳定性系数为预测对象,选择重度、黏聚力、内摩擦角、边坡高度、坡角、孔隙压力比为输入变量,建立了基于支持向量机（ＳＶＲ）的边坡稳定性系数预测模型。研究了不同核函数对 ＳＶＲ模型预测结果的影响,对比了 ＳＶＲ模型与极限学习机（ＥＬＭ）模型、ＢＰ神经网络模型的预测效果,分析了各输入变量对 ＳＶＲ模型与 ＥＬＭ模型预测性能的影响。结果表明:基于 ＳＶＲ的边坡稳定性系数预测模型的预测效果较好,其中采用了 ＲＢＦ核函数的 ＳＶＲ模型预测效果较好,平均绝对误差为 8．10％,均方根误差为 0．034;输入变量对 ＳＶＲ模型与 ＥＬＭ模型的影响较大,剔除各变量后 ＳＶＲ模型预测结果的均方根误差变化小于 0．02,因此本文建立的 ＳＶＲ模型具有更好的稳定性。