基于复无下采样轮廓波和Gaussian小波支持向量回归的红外目标图像背景抑制

针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换(NSCCT)和Gaussian小波支持向量回归(SVR)的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归(LS-SVR)、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。

基于复Gaussian小波SVM的短期负荷预测

提出了复Gaussian小波SVM模型,并将其应用于对电力系统短期负荷的预测。证明了复Gaussian小波核满足SVM平移不变核条件,建立了相应的SVM,并且使用搜寻者优化算法对相关参数进行优化选择。在短期负荷预测的仿真实验中,通过与常用的径向基核SVM模型的对比,验证了该方法具有较好的精确度和有效性,有一定的实用价值。

高斯小波支持向量机的研究

证明了偶数阶高斯小波函数满足支持向量机的平移不变核函数条件.应用小波核函数建立了相应的高斯小波支持向量机,并且使用云遗传算法对支持向量机及其核函数的参数进行优化.用该算法与常用的高斯核和Morlet小波核支持向量机进行对比实验.通过对非线性函数的逼近和电力系统短期负荷的预测,验证了该算法的有效性和优越性,表明其具有一定的实用价值.

基于小波支持向量机的电梯交通流预测模型

考虑到电梯交通流本身所存在的非线性、复杂性和随机性,提出了一种基于小波支持向量机的电梯交通流预测模型。该方法采用某大厦实测的4周交通流数据,以前三周统计的交通流时间序列构成训练样本对预测模型进行训练,后一周的交通流时间序列作为测试样本。仿真实例验证了该模型在精度、训练时间、泛化能力、最优性等方面取得了较好的效果。

基于多尺度核函数的铆接件腐蚀疲劳预测

目前腐蚀疲劳破坏预测方法精度不高。提出基于小波多分辨分析法(MRA),在再生核希尔伯特空间构建一种多尺度核函数的最小二乘支持向量机(multi-scale kernel LSSVM,MSK_LSSVM)预测算法。根据Mercer平移不变核定理,构造了多尺度复Gaussian小波核函数。由于多尺度核函数能够通过平移生成L2(R2)子空间的一组完备基,因此MSK_LSSVM可以任意逼近目标函数,更具灵活性。经仿真实验验证,与BP神经网络方法、标准支持向量机、灰色系统预测模型方法对比,机械结构中铆接件腐蚀变化的趋势通过MSK_LSSVM预测,准确率高、时间短。

复高斯小波核函数的支持向量机研究

针对基于常用核函数的支持向量机在非线性系统参数辨识及预测方面的不足之处,构建了一种新的核函数——复高斯小波函数核函数。首先证明了新构建的核函数的正确性,即满足Mercy条件,表明其可以作为核函数;然后构建基于该核函数的支持向量机,并将该支持向量机用于非线性系统的辨识和未知部分的预测。通过与常用核函数构建的支持向量机的仿真结果进行对比,验证了该方法的正确性和有效性。

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。

基于支持向量机的多因素话务量预测研究

提高移动通信话务量的预测精度对提高网络性能、增进用户体验具有重要意义。由于多种因素会影响到移动通信话务量的准确预测,故选择多因素灰色话务量预测模型来预测话务量。先对数据进行预处理,用关联分析法找到影响话务量预测的主要因素。但此模型对波动较大的数据预测精度较低,用支持向量机的模型来改善预测结果,选取拥有较强的敛散性和全局寻优能力的复高斯小波核函数优化向量机。从仿真结果可以看出该模型有更好的收敛作用和较为理想的预测效果。

空域特征结合小波域特征的图像多失真质量评价

为了解决受到多种降质因素影响的图像质量评价问题,提出了一种结合空间域和小波域特征提取的图像质量评价方法。根据图像的失真会影响图像数据在空间域和小波域的自然场景统计特性,并且失真程度可参数化的特点,计算空间域和小波域的高斯概率密度函数的主要参数并以此作为特征值来表征失真程度,然后将这些特征值作为支持向量回归的输入,训练并预测得到图像的质量得分。对LIVE2数据库的失真图像评价实验结果表明:该方法计算时间短,且预测得分和主观得分具有较好的一致性。

基于多尺度排列组合熵的助行机器人运动相容性识别

背景:目前因受到后天环境影响或由于身体功能的退化,下肢肢体运动能力损伤老年人数目持续增长,而老年人下肢肢体运动能力的下降,使得下肢助行机器人的设计与研发成为了当下社会养老护理的重点之一。目的:当助行机器人的运动轨迹与人体期望运动轨迹不一致时,为实现助行机器人可自适应调整,对穿戴助行机器人出现步幅过大不相容、步幅过小不相容及步幅相容3种人-机运动相容性进行模式识别。方法:针对表面肌电信号的非线性、噪声强等特点,提出一种基于小波分解的多尺度排列组合熵方法,对人-机运动相容性的3种情况(步幅过大不相容、步幅过小不相容及步幅相容)进行模式识别。首先,对采集到的表面肌电信号进行小波分解;然后,对肌电信号的各个尺度求取排列组合熵;最后,利用高斯核支持向量机进行模式识别。结果与结论:经小波分解后,在d5尺度上的信号能取得较好的识别率,其中对步幅过大不相容的识别率为92%,步幅过小不相容的识别率为90%,步幅相容的识别率为94%,平均识别率为92%,比原始肌电信号的平均识别率高出了4.67%,且相较于其他常用的多尺度方式也能取得更好的效果。所以在人-机运动相容性识别中,可以将表面肌电信号进行小波分解后提取各尺度上的排列组合熵,有助于提高识别精度。