基于PCA和ELM的表面肌电信号手腕动作识别研究

为提高手腕动作的识别率,提出了一种将主成分分析(PCA)和极限学习机(ELM)相结合的手腕动作肌电信号识别方法。该方法提取手腕4种动作(内翻、外翻、握拳、展拳)的肌电信号,运用小波变化提取小波特征构造特征矢量,利用PCA算法对特征矢量进行降维,摒弃冗余信息,实现肌电信号特征参数的降维,最后运用ELM对降维后的数据进行识别分类。实验结果表明:将PCA和ELM相结合的方法有着更高的手腕动作识别率,验证了该方法的可行性。     

基于混合特征与PSO-SVM的旋转部件故障诊断方法

针对旋转部件故障诊断问题,为能更全面的提取部件的故障特征信息,提高模型的识别精度,提出一种基于混合特征与PSO-SVM的故障诊断方法。首先,提取电流和振动信号特征参数,结合信息增益算法筛选出对故障敏感的特征参数,结合主成分分析,对敏感特征进行降维处理,消除了无关特征和冗余特征对故障诊断模型的干扰。然后,以SVM分类器为基础,利用PSO算法对模型参数全局寻优,提高故障诊断的识别精度。最后,利用轴承加速疲劳试验数据集将PSO-SVM模型与常用故障诊断模型进行对比,验证该模型的有效性。     

基于改进的PSO-SVM的SAR图像分类识别

利用SAR图像的Hu不变矩,仿射不变矩,以及Zernike不变矩,通过调整学习因子后的PSO对SVM进行优化,提出了基于改进PSO-SVM的SAR图像分类识别算法。该方法主要调节PSO的异步学习因子,加强粒子的学习能力,在算法性能上不仅减小粒子陷入局部最优的概率,而且能有效提高算法的收敛性。最后,对SAR图像进行分类识别实验,结果表明:该算法比其他算法识别率显著提高。     

基于分数本征特征的手写数字识别

特征提取是手写体数字识别研究中的重要问题,有效、稳定的特征是提高识别率和识别精度的关键。该文提出了一种基于分数本征特征和核非线性分类器的手写数字识别方法,首先找到时频平面的一个轴进行分数傅里叶变换,使不同类别样本在这个轴上最大限度地分开,然后用主元分析进行降维,得到比较稳健的低维特征,再将常用分类器用于特征分类,实现对手写数字的识别。对实际数据进行实验,结果表明上述本征特征与核非线性分类器相结合有较高的识别率和训练、分类效率。     

一种基于小波变换和PCA的人脸识别改进方法

针对主成分分析PCA算法中存在的问题,提出了利用小波变换对人脸图像进行预处理,PCA提取图像特征,最近邻法分类的人脸识别改进方法.基于ORL、YALE数据库的相关实验表明,这样的系统能够降低数据维数和克服角度、位移变化对算法的影响,能够取得比传统PCA更好的识别性能。     

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。     

基于主成分分析和概率神经网络的入侵检测方法

针对神经网络在入侵检测的应用中存在入侵数据冗余信息多,数据量大,训练时间长,易陷入局部最优等问题,提出了一种基于主成分分析(PCA)和概率神经网络(PNN)的入侵检测方法。首先使用PCA对数据进行特征降维,解决了入侵数据冗余信息多的问题;然后使用PNN建立入侵检测模型;其次,使用粒子群算法(PSO)解决概率神经网络参数的优化问题;最后使用KDD99数据集对该模型进行测试。实验结果表明:该方法能够有效提高检测的效果,而且检测速度明显提高。     

一种基于GA-BP的高压混合输电线路故障分类方法

针对混合输电线路发生故障时,常规的故障分类方法往往不能满足分类准确率要求的问题,提出了一种基于人工神经网络的智能故障分类识别算法。首先从发送端提取电压和电流数据,并对其进行预处理,即将原始数据通过巴特沃斯滤波器、离散傅里叶变换和序分析工具进行处理,得到三相电压、电流和零序电流,将其作为用于分类的输入数据;再采用经遗传算法优化初始权值和阈值的误差反向传播神经网络,对故障数据进行分类;最后进行仿真,并与现有算法进行对比。实验结果表明:提出的算法提高了故障分类识别的准确率,加快了神经网络训练进程,具有一定的研究意义和实用价值。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

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     

基于稀疏编码和极限学习机的设备故障诊断方法及应用

针对复杂工况与海量监测数据下滚动轴承难以进行故障诊断的问题,提出了一种基于稀疏编码和极限学习机（ELM）的滚动轴承故障模式识别方法。首先,利用K-SVD方法对海量数据样本学习得到自适应原子字典,在此基础上使用正交匹配追踪（OMP）算法进行稀疏编码;然后,构建基于数据驱动的ELM网络模型,将稀疏编码输入ELM模型;最后,通过模型输出实现了对滚动轴承的不同故障类型及不同故障程度的智能识别。通过实际实验分析,验证了所提方法的有效性,与传统的时、频域指标和主成分分析（PCA）为输入的ELM模型进行了对比,并对比分析了BP神经网络、支持向量机（SVM）模型,证实了所提方法具有更好的诊断正确率和可靠性。     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

手写汉字识别粗分类方法的研究

提出了一种基于汉字结构关系的手写汉字识到粗分类的新方法。该方法以抽取手写汉字基本笔划为基础，利用汉字的结构特征进行粗分类。它不仅算法简单、分类速度快、分类能力强、分类稳定、可靠，而且在分类的同时又能把组成汉字的部件及其笔划随之而分离出来，为用句法结构方法识别手写汉字奠定了基础。这种方法成功地用于在ＰＣ／ＡＴ机上实现的成页手写体（楷书）汉字识别系统中，效果满意。     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

国内人群的驾驶风格分类及识别方法研究

为了进一步提高汽车燃油经济性、驾驶性、安全性、汽车可靠性,针对国内人群驾驶风格分类不合理及识别精度不高的问题,提出一种驾驶风格分类及识别客观化的方案:首先综合考虑驾驶风格影响因素,设计驾驶风格道路试验并建立驾驶风格数据库;其次制定驾驶风格评价指标并借助PCA算法实现评价指标的降维;接着选取k-means、模糊均值、层次聚类3种客观分类方法对数据库样本进行分类,借助主观评价及Silhouette函数挑选最佳的客观分类结果;最后基于神经网络建立驾驶风格识别模型并选择5组测试样本对其进行验证。5组样本的识别率为100%,说明该模型具有较高的识别精度。     

基于支持向量机算法的癌症预测

将支持向量机SVM(Support Vector Machine)算法用于卵巢癌症质谱数据分类研究,通过与KNN、神经网络算法的预报结果做比较,SVM对癌症数据的预测正确率达到98%,推广能力明显强于KNN、神经网络等传统算法。     

基于PCA-BP神经网络的审计风险识别研究

审计风险的识别和评估是现代风险导向审计的重要内容,为准确地识别审计风险,提出了一种基于PCA-BP神经网络的审计风险识别模型。选取33项指标建立风险识别指标体系,使用PCA方法对训练集数据进行降维处理,将特征值大于1的主成分作为神经网络的输入向量,构造PCA-BP神经网络。选用124家A股上市公司作为研究样本进行实证研究。结果表明:模型平均识别准确率达到90.04%,高于传统BP神经网络模型,计算速度快、识别率高和适用范围广,能有效识别审计风险。     

文本分类技术探究

首先阐述了文本分类的现状和定义,概述了文本分类的基本流程,然后对文本预处理过程中的分词和去停用词作了简要介绍。在简述文本表示的概念和常用模型之后,重点讨论了信息增益、文档频率、期望交叉熵、互信息和chi统计五种用于特征降维的特征选择方法,而后描述了Rocchio、朴素贝叶斯(NB)、支持向量机(SVM)、K最近邻(kNN)和决策树分类算法的基本指导思想,并从分类性能及其各自复杂度等方面分析比较了这几种算法的优缺点,最后评述了查全率、查准率和F-Measure三种常用的分类器性能评价指标。     

基于二维主分量分析的人耳身份识别研究

有效的特征提取方法是解决人耳身份识别任务的关键之一。以主分量分析(PCA)为代表的线性子空间方法在特征提取工作中得到了广泛应用。为了更有效地提取人耳图像特征并减少运算量,将基于二维图像矩阵的2D PCA方法应用于人耳身份识别。针对三个USTB人耳图像库,采用最近邻分类器,研究了选用不同的特征维数、贡献率,及不同的相似性测度时,2D PCA方法与传统的PCA方法的识别性能。交叉验证的实验结果表明:2D PCA方法较PCA方法获得了更短的训练时间和更高的识别率,说明基于图像矩阵的2D PCA方法是一种效率更高     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。