铁路扣件图像检测中的RBF-SVM模型优化

在开发的铁路扣件检测系统中,RBF-SVM被作为扣件图像分类识别的分类器。核参数的选择是RBF-SVM模型优化研究中的重要问题,将量子粒子群算法应用于参数的优化选择,在(cγ)参数可调范围内产生初始种群,将种群中的个体作为RBF-SVM的参数进行学习;经过多次迭代获得最佳参数对(cγ),并将该参数对作为RBF-SVM的核参数训练支持向量机。实验表明,QPSO的性能优于传统的PSO算法,该方法在解决支持向量机优化方面表现出了高效的收敛性和稳定性,并且在该方法的基础上形成的铁路扣件检测算法是切实可行的。

基于RBF-SVM智能配变终端的网络安全态势评估

面向台区部署的智能配变终端受自身漏洞及通信网络脆弱性等多方面的影响,易受到网络攻击。针对智能配变终端存在的安全问题,提出一种基于RBF-SVM智能配变终端网络安全态势评估方法。首先,分析该终端可能遭受的网络攻击,提取相应的安全检测指标,并将检测指标数据归一化处理;然后构建基于高斯(RBF)核函数的非线性支持向量机(SVM)分类器,采用k折交叉验证与网格搜索法确定该分类器的最优参数C和g,建立智能配变终端安全态势评估模型;最后将检测指标数据样本代入模型中进行训练和测试。结果表明所提方法与随机森林和逻辑回归等方法相比较,具有更高的准确率,可实现终端安全态势评估,对电力终端安全防护具有一定的实用价值。

RBF-SVM在电力通信网光纤保护通道风险评估的应用

支持向量机是最近几年发展起来的一种新的智能学习方法,以RBF为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛的应用到模式识别中,其参数C和σ对SVM的性能起决定性作用。文中阐述了SVM原理,给出了RBF-SVM的性能随参数变化的规律,并得到了参数C和σ对SVM支持向量个数和测试样本错分率的影响曲线图。最后,通过采用不同核函数的SVM对电力通信网光纤保护通道进行风险评估,比较其评估性能,同时验证了RBF-SVM性能的优势。

基于RBF和SVM的古代玻璃制品成分预测与分类

中国古代玻璃易受埋藏环境的影响而风化。在风化过程中,内部元素和埋藏环境中的元素进行大量转换,易引起其化学成分比率改变,进而影响对文物中玻璃类型的准确判定。该文利用RBF神经网络将文物颜色、纹饰、未风化的数据作为基函数输入实现对已风化的玻璃文物的化学成分比例的未知函数逼近,得出玻璃文物风化前的化学成分比例,建立C-支持向量分类机,利用MATLAB程序训练得出SVM的支持向量及线性分类函数,通过输入样本标准化数据判断网络模型的合理性通过之后,利用判别函数C(x)来分析玻璃文物的分类规律,当C(x)≥0,x属于第1类高钾型;当C(x)<0,x属于第2类铅钡型。

基于机器视觉检测的裂缝特征研究

裂缝作为土木工程中常见的病害,随着基于机器视觉检测设备的不断优化,如何对裂缝进行高效的识别与统计是整个系统高效运行的关键。然而这两者均涉及的一点就是特征选取。初选定特征后,如何对特征进行合理的分配应用是个需要探讨的问题。本文围绕裂缝特征及其应用展开,在选定裂缝特征之后,首先对应用部分裂缝特征的有效性进行了验证,即通过对处理得到的两值图像进行初筛选滤去大部分杂质;其后根据RBF-SVM算法建立自动判别模型,分别将6个特征(全部)和3个特征(部分)作为输入参数的工况进行结果对比,表明该模型具有很好的适应性,且均能高效实现裂缝识别,进而验证了裂缝特征分配应用的必要性。

基于激光诱导荧光技术的煤矿水源识别研究

快速准确的识别煤矿含水层水源对于煤矿突水预警及灾后救援意义重大,针对传统水源识别耗时较长,不适宜构建在线式预警系统,提出使用激光诱导荧光技术用于煤矿水源类型识别的方法。利用激光激发待测水样,获取其荧光光谱,结合模式识别对水源进行快速辨识。实验采集了淮南矿区谢桥煤矿的两种纯水样本-老空水与砂岩水,并根据不同混合比配成5种混合水样进行实验。首先针对获取的水源荧光光谱中可能会存在的各种噪声及干扰信息,采用SG、 Normalize、 Gapsegment求导、 Detrend和MSC 5种常用的光谱预处理算法对光谱数据进行处理。其次针对荧光光谱数据量过大,对数据进行PCA降维,作为对比6种预处理方式(含原始光谱)主成分数皆取3,结果显示SG预处理累计贡献度最大,为97.26%;其次是原始光谱,为92.38%, Normalize与Detrend累计贡献度相差不大,分别为88.04%和87.59%, MSC为66.41%, Gapsegment最差,为22.65%。最后分别对PCA降维后的数据使用线性LDA以及非线性RBF-SVM模型进行识别对比。使用LDA进行建模, SG-PCA-LDA正确率最高,达到了98.86%,依据建立的LDA模型,对验证集数据进行识别, SG-PCA-LDA的正确率依然最高,为100%。使用RBF-SVM进行建模, Original-PCA-RBF-SVM, SG-PCA-RBF-SVM, Normalize-PCA-RBF-SVM正确率最高,皆为97.14%,依据建立的RBF-SVM模型,对验证集数据进行识别, Original-PCA-RBF-SVM和SG-PCA-RBF-SVM正确率依然最高,为97.14%。对比两类模型可以发现, LDA验证集正确率较建模集有一定的提升,而RBF-SVM验证集正确率较建模集有小幅度降低,说明LDA模型对于此煤矿水源荧光光谱数据的泛化能力较好,且成功率较高。结果表明, SG-PCA-LDA模型结合激光诱导荧光技术是一种较佳的应用于本地煤矿水源识别的方法,且验证了对老空水、砂岩水的纯水样和混合水样识别的可能性,可以推广到煤矿其他混合水源的识别中。

基于改进组合预测的电能质量预警研究

随着能源互联网的建设和分布式发电的日益增多,以及目前用电形式的逐渐多样化,产生的电能质量问题也随之受到重视。为了保证用电品质以及电网的稳定运行,对电能质量指标合理地预警具有重要意义。因此,本文提出了一种基于改进组合预测的电能质量预警模型。对于可能影响电能质量指标的因素进行整合,利用ReliefF算法排除相关重要性低的因素,以降低输入维数。然后,选择Elman神经网络、随机森林和RBF-SVM智能算法对相应指标预测,利用灰色关联分析计算三种方法与真实值间的关联度以确定其权重,将三种方法预测结果组合并对峰谷突变处预测值修正得到最后预测值。最后,以广东省某10 kV线路监测点数据进行了仿真计算,对比证明了本文所提出方法的适用性。

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法(EMD)和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型(RBF)和支持向量机模型(SVM)相比,预测精度得到了大幅度的提高。

支持向量机与RBF神经网络回归性能比较研究

支持向量机与RBF神经网络相比各有优缺点,通过对支持向量机与RBF神经网络的研究,从理论上分析了这两种学习机在回归预测原理上的异同,通过仿真实验对比了两者在测试集上的逼近能力及泛化能力。仿真结果表明,对于小样本集,支持向量机的逼近能力及泛化能力要优于RBF神经网络。对实际应用中回归模型的选择问题提出了建议。

基于RBF核的SVM及RVM模式分析性能比较

基于RBF核,利用Synthc、BC等标准数据集,采用五重交叉验证,比较SVM(支持向量机)及RVM(关联向量机)模式分析性能。实验结果表明,与SVM相比,RVM时间复杂度、测试错误率较低,模式分析性能较优。

基于最小二乘支持向量机的励磁特性曲线拟合

针对传统支持向量机在电流互感器铁心励磁特性曲线拟合时样本数目较大出现的训练速度慢、占用内存大的问题,提出了一种新的基于最小二乘支持向量机算法。该算法将实测数据由径向基函数把非线性逼近问题转化为线性逼近问题,依据最小二乘法的思想,利用Matlab7.0求一个线性方程组的解,得到拟合曲线的近似表达式。实验结果表明,新算法训练速度快,误差小、拟合精度高。

基于RBF核的SVM的模型选择及其应用

使用RBF核的SVM(支持向量机)被广泛应用于模式识别中。此类SVM的模型选择取决于两个参数,其一是惩罚因子C,其二是核参数σ2。该文使用了网格搜索和双线性搜索两种方法进行参数选择,并将两者的优点综合,应用于脱机手写体英文字符识别。实验在NIST数据集上进行了验证,对搜索效率和推广识别率进行了比较。实验结果还表明使用最优参数的SVM在识别率上比使用ANN(人工神经元网络)的分类器有较大提高。

RBF与SVM在注塑件翘曲预测中的对比分析

为了快速且较准确地预测注塑件的翘曲值,以某电脑显示器的外壳为例,分别利用RBF神经网络和SVM模型建立了显示器的翘曲值预测模型,并通过测试样本验证了2种模型的预测精度。结果表明:RBF网络模型和SVM模型的绝对百分比误差都在2%以内,说明二者都具有较好的预测性能;但从最大绝对百分比误差和最小绝对百分比误差分析得出,SVM模型比RBF模型更稳定,且预测精度更高,表明支持向量机的预测模型更适合处理此类问题。

发酵过程酵母浓度的软测量

针对发酵过程酵母浓度的测量,提出一种基于支持向量机的软测量建模方法。仿真证明,该方法比典型的RBF神经网络软测量有着明显的优势,对于实现发酵过程自动控制和优化运行有着重大的意义。

支持向量机在粮食产量预测中的应用

将支持向量机算法应用于粮食产量预测,结果表明,支持向量机的径向基核函数模型预测粮食产量的精度优于其他预测方法。

基于SVM的软测量建模

支持向量机 (Support Vector Machines)是一种基于统计学习理论的新型学习机 ,本文提出用支持向量机建立软测量模型 .理论分析和仿真研究表明 ,该方法学习速度快、跟踪性能好、泛化能力强、对样本的依赖程度低 ,比基于

基于支持向量机与RBF神经网络的软测量模型比较研究

给出了基于支持向量机(SVMs)和RBF神经网络的软测量建模方法.通过对这两种方法进行理论分析和仿真比较研究,结果表明,SVMs方法跟踪性能好、泛化能力强、对样本的依赖程度低,它比基于RBF神经网络的软测量建模具有更好的推广能力.

RBF核SVM及其应用研究

因其核函数的良好性态,RBF核SVM(RBF-SVM)在实际应用中表现出良好的学习性能,但是RBF核函数中的参数对SVM的性能起决定性作用。阐述了RBF-SVM的性能随着变化而变化的规律,并将RBF-SVM引入自动羽绒识别系统中。根据自动羽绒识别系统的实际需求和RBF-SVM的性能变化规律,论述了本系统中参数的选取依据和选取过程,并且给出了的相关曲线变化图。通过研究,最后得到适合本系统的识别模型,从而提高了系统的总体识别率。同时,也验证了RBF-SVM的良好特性和其受参数的约束规律。

基于LS-SVM和RBF的月降雨混沌时间序列预测

以乌尔逊河为例,采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明月降雨时间序列存在混沌现象。运用LS-SVM模型对乌尔逊河月降雨混沌时间序列进行预测,并利用交叉验证法求取LS-SVM模型两个重要参数的最佳组合,同时与RBF神经网络模型进行了对比分析。结果表明,在做混沌时间序列分析时LS-SVM模型的预测精度优于RBF神经网络模型。

基于LS-SVM的灰色补偿RBF神经网络组合预测模型在建筑物沉降分析中的应用

针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。