基于FDCT的视频人脸识别方法

为克服在图像上直接使用快速离散Curvelet变换不能完全提取有用特征信息的缺点,利用HSI颜色空间各通道互不相关的特点,结合快速离散Curvelet变换,提出一种新的视频人脸识别方法,并设计一个视频人脸识别系统以证明该方法的有效性。实验结果表明,该系统只需2 s (35帧/s)即可识别人脸,正确识别率达99.5%,对表情有一定的鲁棒性,可在     

LS-SVM模型选择的秩准则及其比较

在最小二乘支持向量机的模型选择问题中,基于再抽样技术的模型选择方法,不能从根本上解决计算强度过高的问题。为此,提出基于模型复杂程度进行惩罚的新方法——秩准则,给出估计最小二乘支持向量机调谐参数的快速稳健算法。实例研究表明,该方法不仅能保证模型的预测精度和稳健性,而且在计算速度上优于快速Bootstrap方法。     

Fault classification in SEIG system using Hilbert-Huang transform and least square support vector machine

This paper presents the transient performance analysis of self excited induction generator (SEIG) during both balanced and unbalanced faults using stationary frame d–q axis. Significance of fault detection and fault classification is also investigated in this study. Current signal of SEIG is extracted. Non stationary distorted current waveforms of SEIG during fault condition are considered as superimposition of various oscillating modes. To separate out these oscillating components known as intrinsic mode functions (IMFs), empirical-mode decomposition (EMD) is used. Hilbert transform (HT) is applied on the first four IMFs to extract instantaneous amplitude and frequency. Combination of EMD and HT is known as Hilbert-Huang transform. To classify different faults of SEIG system, least square support vector machine (LSSVM) is used. Finally the superiority of the proposed SVM is established through comparison with support vector machine and probabilistic neural network.     

基于球磨机的LS-SVM广义逆内模控制研究

给出一种最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)广义逆内模控制方法。利用LS-SVM辨识这类系统的广义逆,再与原被控系统串联成具有近线性伪线性的开环控制系统,引入内模控制使其变成稳定的闭环控制回路,将这种方法应用在球磨机控制系统中。经仿真分析,该方法不依赖于被控系统精确的数学模型,实现了小样本训练的准确辨识,提高了系统的动态响应,并与内模控制相结合,使其闭环控制系统鲁棒稳定性增强。     

基于改进遗传算法与LS-SVM的变压器故障气体预测方法

最小二乘支持向量机(LS-SVM)能较好地解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择。笔者提出一种基于改进遗传算法(IGA)的参数寻优方法,并将其应用到变压器油中故障气体预测。IGA算法采用了编码机制,随机产生初始种群,可快速扩大搜索空间,稳定群体中个体多样性,有效提高全局搜索能力和收敛速度。最后进行了多组现场数据的实例分析,结果表明:基于IGA进行参数优化后的预测准确率明显优于传统LS-SVM预测结果。     

基于LS-SVM和AR模型的油液光谱数据预处理研究

油液光谱分析技术可以检测出机械设备润滑油中各种元素的成分和浓度,但光谱分析数据受噪声、补油和换油的影响严重,不能很好地反映出机械设备的磨损情况。对光谱数据进行提升小波分解,通过分析细节信号,检测出野点;用LS-SVM对趋势项建模,对各层细节信息建立AR模型,分别预测出补、换油后及野点处的值并进行叠加;为提高预测精度,用QPSO对LS-SVM的参数进行了优化。结果表明:该方法能有效修正原始数据,从而提高对机械设备磨损状态监测和故障诊断的精度。     

基于LS-SVM的辐射源分类

文中主要研究了基于LS-SVM（最小二乘支持向量机）算法的MSK辐射源分类。结合MSK信号特点,利用交叉验证和网格搜索法确定参数,设计了三种编码方案的多类分类器。计算机仿真结果表明：该分类器的识别率达到95％以上,从而验证了该辐射源分类器的有效性和可行性。     

基于柯西分布加权的最小二乘支持向量机

针对Suykens等提出的加权最小二乘支持向量机(WLS-SVM)回归建模的不足和防止辨识模型的"过拟合",利用柯西分布函数的一些特性,提出了基于柯西分布加权的最小二乘支持向量机,根据预测误差的统计特性,以确定加权规则的参数,从而赋予训练样本不同的权值,由于考虑了生产过程中样本的实际特性,与已有的加权方法相比,新的加权最小二乘支持向量机更具有鲁棒性,仿真结果验证了该方法的可行性和有效性.     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测.对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.     

基于SVM和ECT的两相流离散相浓度测量

利用12电极电容层析成像系统(ECT)传感器和最小二乘支持向量机(LS-SVM),提出了两相流离散相浓度测量的新方法。电容传感器用来获取反应离散相分布的66个电容测量值。LS-SVM用来建立离散相浓度测量模型,模型的输入是66个独立的电容值,输出是离散相浓度值。本方法省去了传统ECT技术测量浓度时的图像重建过程。实验结果表明:该方法是有效的,测量误差在6%以内。