基于LS_SVM的下行波束盲校正算法

在智能天线系统中,由于各阵元之间存在着耦合和激励误差,在对下行波束进行赋形时,这些误差会使产生波束指向严重偏离期望的方向,造成天线增益下降。针对这一问题,提出了一种基于最小二乘支持矢量机（LS_SVM）的下行波束盲校正算法：该算法首先利用发射的训练序列对支持矢量机（SVM）进行训练,然后利用所得的权值补偿耦合和激励误差,使发射波束的指向符合期望的方向,最后采用自适应波束综合算法产生主波束宽度以及副瓣电平符合期望值的方向图。对该方法进行了仿真验证,仿真结果表明,该算法简单易行,具有实时处理的能力。     

基于最小二乘支持向量机的测灰仪输出校正研究

提出了基于最小二乘支持向量机的校正模型对测灰仪的输出进行误差校正。在分析误差产生的基础上,实现误差校正。试验表明:该方法有效地降低了测灰仪的输出误差。     

基于LS-SVM的传感器阵列多维信号智能提取方法研究

传感器阵列可同时对多个信号进行测量,而对多个输入信号进行解耦和并行提取是其关键。提出一种基于最小二乘支持向量机(LS-SVM)的传感器阵列输入信号逆向提取智能方法,该方法基于结构风险最小化,能够逼近任意复杂的非线性关系且泛化能力强。仿真试验表明,该方法具有拟合精度高、运算速度快、容易实现等优点,适用于对传感器阵列多个输入信号进行解耦和并行提取。     

丁二酸发酵过程的软测量建模研究

生物转化法生产丁二酸的间歇厌氧发酵过程存在明显的不确定性和高度非线性,其中某些参数(如丁二酸浓度)难以在线检测,给过程优化策略的有效实施带来了障碍.最小二乘支持向量机(LS-SVM)是标准支持向量机(SVM)的一种扩展,遵循结构风险最小化原则.将该算法用于丁二酸发酵过程建模.用具有RBF核函数的LS-SVM建立丁二酸浓度的模型,并通过MATLAB 7.0开发工具和径向基(RBF)人工神经网络的建模方法进行比较.结果表明LS-SVM方法比基于RBF神经网络的软测量建模方法降低了83.7%的外推误差,具有更好的泛化能力,使针对丁二酸浓度的在线预估与优化控制成为可能.     

基于支持度变换的几何活动轮廓模型轮廓提取方法

提出了一种新的轮廓提取方法,该方法将几何活动轮廓模型与映射最小二乘向量机(mapped LS-SVM)相结合.首先用映射最小二乘向量机推导出支持度滤波器,通过在基本支持度滤波器中填充零的方法得到一系列的多尺度支持度滤波器.然后通过支持度变换(SVT)计算出支持度图像.在此基础上,用支持度图像计算几何活动轮廓模型的边缘指示函数,使得曲线演化快速地收敛到期望位置.实验结果表明该方法的轮廓提取效果较好,收敛速度更快.     

基于无偏LS-SVM的混沌系统的混合同步控制

为实现超混沌系统与混沌系统的混合同步控制,通过对主系统采样,获得训练样本数集,设计了从系统混合同步轨线的形式;采用无偏最小二乘支持向量机(LS-SVM)的方法,引入核函数,获得优化目标,根据优化目标,求出混合同步轨线,设计了控制器.以超混沌Lorenz-Stenflo系统为主系统,Chen混沌系统为从系统为例,基于Matlab进行数值仿真,验证了方法的有效性.     

基于SAPSO-LSSVM的蛋白质模型质量评估

针对传统蛋白质模型质量评估没有考虑同源信息的问题,提出了一种基于LS-SVM评估蛋白质模型质量的方法。首先,综合模拟退火(Simulated Annealing,SA)算法跳出局部最优解和粒子群(PSO)算法收敛速度快的特点,提出了模拟退火粒子群(SAPSO)算法;然后利用SAPSO算法来优化LS-SVM参数 和 ;最后得到最优模型来评估蛋白质模型质量。实验结果表明,经SAPSO优化LS-SVM参数所得到的评估预测误差较小,且预测值更稳定。     

部分级联特征的离线手写体汉字识别方法

针对汉字类别多、风格多等识别难点,提出了一种基于LS-SVM的部分级联特征分类的离线手写体识别方法.具体包括霍夫空间加权采样和局部二值分布直方图两种新的特征提取算法,其可将任意大小的图像映射到固定长度的特征向量上,克服了已有特征提取算法的需要归一化、对笔画密度分布敏感等缺点;提出了基于部分级联特征的分类方式;提出了常见多分类方式的类别与正确率的关系,并给出了相应的数学证明.     

基于LS-SVM响应面法的基坑支护结构优化设计

由于受安全性和经济性的双重指标要求,基坑支护结构优化设计一直是基坑工程中的研究重点之一.本文结合均匀试验设计(UD)和粒子群算法优化的最小二乘支持向量机(PSOLSSVM),提出了一种基于LS-SVM响应面法的基坑支护结构优化设计方法.其中,以工程量为优化目标,以安全系数作为约束条件,首先通过UD和有限元计算高效构造学习样本,然后利用PSO-LSSVM模型的高度非线性映射能力建立学习样本响应面,并预测由Monte-Carlo模拟生成的多组随机样本结果,最后从中筛选满足全部约束条件的且目标函数值最小的样本作为优化设计最优解.通过算例分析表明,该方法优化效果明显,且具有较好的效率和精度.