排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
多特征SVM-DS融合决策的缺陷识别 总被引:4,自引:0,他引:4
分析超声检测缺陷信号模式识别中存在的问题.提出一种将支持向量机(Support vector machine,SVM)和DS(Shafer- Dempster)证据理论相结合的多特征融合决策识别方法.阐述支持向量机解决分类问题的原理以及证据理论中的Dempster合成规则.将证据理论中的识别框架引入到缺陷类型识别,设计多缺陷类型的多特征SVM-DS融合决策规则.介绍4种不同空间域的特征提取方法以用于多特征融合决策识别.分别将单特SVM识别和SVM-DS融合决策识别应用于石油套管4种典型缺陷的识别.对比试验表明:SVM-DS融合决策识别方法能有效识别上述典型缺陷,其在识别率和泛化性方面都比单特征的SVM识别有优势. 相似文献
3.
4.
5.
为提高超声检测缺陷识别的正确率和泛化能力,提出一种基于小波包分解和顺序向前浮动搜索(SFFS)算法的时频最优特征提取方法.该方法结合了无监督和有监督特征提取方法的优点,局部利用样本的先验分类信息以期达到更好的识别效果.介绍上述特征提取方法中的相关理论,包括小波包变换、Fisher判据以及SFFS搜索算法.为了验证新方法的在缺陷识别方面的有效性,对石油套管上的4种典型缺陷进行识别实验.分别采用3种传统的特征提取方法,从时域、频域和小波包域提取特征用于对比实验,并采用支持向量机算法对上述不同途径获取的特征集进行识别.10组随机抽样的识别实验表明:采用小波包时频SFFS优选特征能够对上述缺陷进行有效识别,最高识别率达到93.3%,平均识别率达到89.5%.与上述3种传统的特征提取方法相比,该新方法识别率高、泛化性好,对训练样本选的选择敏感性小. 相似文献
6.
分析了超声检测信号识别中存在的问题。研究了将支持向量机和贝叶斯推理相结合的多特征融合识别算法。阐述了支持向量机解决分类问题的原理以及贝叶斯推理原理。设计了基于最大后验概率准则的多缺陷类型多特征SVM-Bayes融合识别方法。介绍了四种不同的特征提取方法。分别将单特征SVM方法和SVM-Bayes融合方法应用于石油套管缺陷检测信号的识别。对比试验表明:SVM-Bayes融合识别方法能有效识别上述缺陷信号,其在识别率和泛化性方面都比单特征的SVM识别方法有优势。 相似文献
1