灵敏度分析和SVM诊断模拟电路故障的方法

针对低可测性模拟电路中存在的模糊组问题,提出了一种模拟电路故障诊断的新方法。该方法首先计算被测电路网络传递函数零极点的灵敏度,利用零极点灵敏度提供的信息来对被测电路进行模糊组的划分,组成可诊断的元件集,并引入了支持向量机完成对故障的分类识别。零极点的灵敏度分析确定了被测电路可诊断的元件组,支持向量机结构简单、泛化能力强,实验结果证明了基于灵敏度分析和支持向量模拟电路故障诊断方法的有效性,故障诊断率大于99%。     

基于LDA/GSVD和支持向量机的人耳识别

针对人耳图像自身的特点并通过对现有方法的研究,提出了一种先利用LDA/GSVD算法对样本图像进行特征提取,然后运用SVM分类器对样本向量进行分类的人耳识别方法.此外,还对线性判别分析、广义奇异值分解和支持向量机的相关内容做了简要介绍.实验表明,LDA/GSVD很好地解决了在高维、小样本的情况下,使用Fisher线性鉴别分析的特征提取方法存在的病态奇异问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法.     

异构集群中非结构化大数据检测方法

传统的非结构化大数据检测方法只分析数据的统计特征、缺少对其中模糊闭频繁项集特征的识别,易出现监测结果不理想的问题。为了提高对异构集群中非结构化大数据的检索识别能力,提出一种基于模糊闭频繁项集特征挖掘的异构集群中非结构化大数据检测方法。分析异构集群中非结构化大数据的统计特征信息,并采用大数据信息融合方法对其进行状态监测和特征识别,从中提取非结构化大数据的模糊闭频繁项集特征量;利用支持向量机模型对非结构化大数据检测进行分类处理,根据不同大数据的分类属性进行自动检测识别,提高对异构集群中非结构化大数据检测的准确率和监测过程抗干扰能力。实验结果表明:采用该方法对异构集群中非结构化大数据检测的准确性和检测精度较高,具有很强的应用优势。     

支持向量机在图像检索中的应用

运用颜色、形状、纹理等特征的基于内容图像检索技术,采用在分类方面具有全局优化、适应性强、理论完备、训练时间短、推广性能好等优点的支持向量机,进行图像分类,较好地实现图像检索的目的,并以舰船图像为例进行了验证,结果表明,支持向量机在图像检索中具有很好的应用效果。     

新型支持向量机在风速预测模型中的应用研究

在短期风速预测方面支持向量机已被广泛应用并取得较好的效果。然而,随着应用的深入,其逐渐暴露出两大问题:一,对噪声较为敏感;二,未能充分利用样本已有信息。为进一步提高支持向量机的泛化能力,该文提出模糊流形支持向量机FMSVM。该方法引入模糊技术,保证不同样本区别对待,减少或消除噪声的影响;充分利用流形判别分析的性质,进一步改进支持向量机,在分类决策时同时考虑样本的边界信息、分布特征以及局部流形结构。通过某风场风速数据集上的比较实验验证该方法的有效性。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于主元分析和支持向量机的电路故障诊断模型

综合主元分析和支持向量机的优点,提出了一种基于主元分析和支持向量机的故障诊断模型.通过主元分析提取故障特征,然后利用支持向量机进行故障模式的分类,实现对模拟电路不同故障的识别.实验结果表明,该模型能够准确地实现故障的诊断,具有好的识别能力.     

支持向量机在上市公司成长性识别中的应用

从上市公司成长性与公司财务指标间的一致性角度,上市公司的成长性识别等价于一个模式分类问题,因此可利用SVM支持向量机对上市公司的成长性进行高精度识别,即从市场成长性、盈余成长性等五个方面来考察上市公司的综合成长性,分别以主营收入增长率、净利润增长率等五个指标为考察依据,利用SVM支持向量机来计算识别;实例验证了该法存在简便效果明显等优点。     

基于SVM的短期交通状态预测识别研究

为智能化的解决交通拥堵这一难题,采用了在智能交通系统领域较热门的短时交通流预测识别技术。短时交通流具有非线性、时变性、不确定性、不稳定性等特点,运用对非线性拟合效果较好的支持向量回归机(support vector regression,SVR)和支持向量分类机(support vector classification,SVC)两者相结合来完成短时交通状态的预测识别,通过对交通流进行预测,以及对预测结果进行分类试验,得到了98.1157%的分类率。仿真结果表明,采用这两种方法相结合的方式可以得到较高的分类效率。     

基于机器视觉的玉米头尾识别

为进行玉米棒头尾识别，课题组提出了一种基于机器视觉和机器学习的玉米头尾识别方法。该方法先对玉米图像进行分割，后对分割后图像提取其方向梯度直方图(histogram of oriented gradient, HOG)特征向量;并利用主成分分析法(principal component analysis, PCA)对特征向量进行降维，最后使用降维后的特征向量和交叉验证方法训练支持向量机(support vector machine, SVM)，最终实现对玉米的头尾识别。试验结果表明该方法的识别率为97.2%。该方法具有较高的可行性和准确率，可用于玉米的头尾识别。     

基于支持向量机算法的人脸识别技术研究

在讨论人脸识别算法的基础上,提出了基于支持向量机算法的人脸识别技术,进而分析了其原理,确定了多项式的核,并利用人脸数据对多项式核的SVM进行训练,根据训练结果进行识别实验,结果表明：SVM与传统方法比较,对人脸具有较高的识别率。     

用于RBF-SVM参数搜索的伪梯度动态步长算法

针对基于径向基核函数(RBF)的支持向量机(SVM)超参数选择问题,提出了一种基于差分方程的新算法——伪梯度动态步长算法。该算法根据径向基核函数的特点提出由训练集的空间特性确定的核参数搜索范围,并采用对数刻度表示搜索空间;利用参数空间中SVM在两个临近点的分类精度的变化估计参数的搜索方向,并且随着搜索方向的变化动态调整搜索步长,从而实现较快的搜索。通过与Grid和PSO方法的对比实验,表明该算法具有良好的性能。     

采用FA和SVDFRM的SVM入侵检测分类模型

提出了一种新型网络入侵检测分类模型,设计了一个基于支持向量机(SVM)的分类器。采用因子分析法(FA)将行为样本的众多相关网络特征融合成精简的综合特征,实现了对网络监测数据的降维。利用支持向量决策函数排序法(SVDFRM),通过支持决策向量函数得到网络行为的特征贡献率并提取网络行为的重要特征。KDD99数据集测试实验结果表明,提出的分类模型降维效果显著,具有较好的实时性和较高的检测率。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法.在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点.     

采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要。对于疾病诊断,分类器的性能直接影响到最终结果的准确性。本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM)。实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM)。实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能。实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集。     

双谱特征提取在欺骗式干扰方式识别中的应用

为了识别出具体的欺骗干扰方式,从而使雷达有针对性地选择抗干扰方法,该文提出了基于双谱特征和模式识别技术的欺骗式干扰识别方法。该方法给出了欺骗式干扰的双谱分布和估计方法,在分析其分布特征和统计特性的基础上,定义两种特征因子;采用基于核聚类的支持向量机分类器,完成对不同欺骗干扰方式的识别;建立了完整的干扰模式识别模型。仿真实验表明,该方法对3种不同欺骗干扰方式的正确识别率高,而且基本不受干噪比影响。     

基于SVM的多类模拟调制方式识别算法

提出了一种基于支持向量机的多类模拟调制方式识别算法。该算法通过分析模拟调制信号的特点,提取有效的特征向量以区分不同的调制方式,并基于支持向量机和判决树分类思想,将特征向量映射到高维空间中加以分类。仿真结果表明:在具有加性带限高斯噪声的环境下,信噪比不小于10dB时,识别正确率大于90%。     

项目网络组织协同治理绩效影响因素分析

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机（PSO SVM）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群（PSO）算法寻找支持向量机（SVM）最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明：采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数