一种基于颜色和纹理的优化SVM火灾识别方法

提出一种基于火焰颜色和纹理特征的提取方法,采用量子遗传算法优化支持向量机,构造QGA-SVM火焰图像分类器.算法利用火焰颜色特征对去噪增强后的图像提取火灾疑似区域,采用Uniform LBP提取其纹理特征;运用KPCA算法对特征向量进行降维处理,将KPCA选择出来的特征输入到经量子遗传算法优化过的支持向量机(QGA-S...     

改进BP算法在微悬臂梁载荷与挠度关系研究中的应用

针对标准BP算法收敛速度慢和易陷入局部极小值等缺陷,提出了采用弹性BP算法改进标准BP算法,并将此算法应用于单晶硅（100）微悬臂梁加载后载荷与挠度间关系拟合的实验中（实验在Matlab7.0环境下实现）.实验拟合结果表明：在相同载荷下挠度随微悬臂梁梁长的增长而增大,随其宽梁宽的增宽而减少,随其梁数的增多而减少,与理论计算结果相一致.这些表明了BP神经网络在微悬臂梁载荷与挠度关系研究中的适用性.对进一步分析微悬臂梁的可靠性和设计微悬臂梁都具有一定的参考价值.     

含类信息的极限学习机自动编码器特征学习方法

极限学习机自动编码器(ELM-AE)将极限学习机(ELM)技术与自动编码器(AE)结合,可以无监督学习数据特征且克服了参数迭代调整的昂贵时间消耗。然而,以最小化重构误差为目标的ELM-AE并不能有效利用分类问题中的数据类别信息,导致特征的类别可分性较差。针对此现象,本文提出一种面向数据分类的含类信息极限学习机自编码(CELM-AE)特征学习方法,该方法将投影特征向量的类间离散度与类内相似度限制到ELM-AE的目标函数中,且可通过解析算法求得更具类别分辨力的最优数据表示。对6种UCI数据集分别使用基于CELM-AE、ELM-AE和AE的特征表示进行分类实验,结果表明,CELM-AE得到的数据特征在两种分类器(ELM/KNN)下的分类精度与稳定性表现均优于ELM-AE与AE,且时间代价很小,说明了CELM-AE在提取可分性数据特征表示方面的优势。     

基于CGLCM和GA-SVM的混凝土图像分类方法

研究混凝土的配合比设计是混凝土工程中的一项重要工作.为了实现不同粒径大小以及砼、砖配合比的混凝土图像的精确分类,提出了一种基于彩色共生矩阵(Color GLCM,CGLCM)和支持向量机(Sup-port Vector Machine,SVM)的混凝土图像分类方法.首先,将混凝土图像从RGB空间转换到HSV空间,分别提...     

基于非扩张映射及SOM进行特征选择的DOA估计

为进一步研究窄带水声信号特征与波达方向(DOA)的映射关系,在基于三层自组织神经网络映射对声信号特征向量进行拓扑排序的基础上,提出了结合区域Lipschitzs系数及局部Lipschitzs系数进行改进的DOA估计模型。该方法通过对信号特征与波达角所形成的映射进行非扩张映射检验,即对区域李普希兹系数进行讨论并对映射的优劣进行评判,以自组织神经网络为训练器,依据特征层拓扑排序并结合局部Lipschitzs系数构建基于1-邻域的综合DOA估计法则,从而改进了DOA估计系统。仿真实验结果显示该方法所选择特征用于对DOA的估计效果更优,平均误差、方差均在10^-2以内;在信噪比(SNR)从20 dB下降到2 dB的情况下,对照其他常用DOA估计算法,估计结果同时显示出良好的鲁棒性。