基于多层支持向量机的蓄电池在线监测方法研究

常规的蓄电池在线监测节点一般采用独立或区域布设形式,监测的范围受限制,导致在线监测频率均值下降,因此探讨了基于多层支持向量机的蓄电池在线监测方法。根据当前测定,先进行蓄电池电动势及开路电压应用数值采集,采用自适应的方式,打破监测范围的限制,部署自适应在线监测节点;然后构建多层支持向量机的蓄电池在线监测模型,采用持续跟踪预警处理强化在线监测。针对选定的4个蓄电池,按照顺序分别植入0.8 mm、1.2 mm及2.1 mm的4个型号的电阻丝,形成不同的电阻率。经测定计算最终得出在线监测频率均值均可达到150 Hz以上,说明设计的蓄电池在线监测方法更加稳定、安全,在不同环境下的整体适应度更强,监测效率得到了显著提升。

基于多层支持向量机的极化合成孔径雷达特征分析与分类

为了充分利用极化合成孔径雷达(SAR)图像不同极化特征对不同地物目标类型的刻画能力,提出一种基于多层支持向量机(SVM)的极化SAR特征分析与分类方法。该方法首先通过特征分析确定适合不同地物类型的最佳特征子集;然后采用分层分类树的方式,根据每一种地物类型的特征子集逐层进行SVM分类;最终得到整体分类结果。RadarSAT-2极化SAR图像分类实验结果表明所提方法水域、耕地、林地、城区4类地物分类精度为85%左右,总体分类精度达到86%。该算法充分利用了不同地物目标类型的特性,提高了分类精度,也降低了算法时间复杂度。

基于SMO的多层次文本分类法研究

在以往的自动文本分类研究中,大多比较流行的分类技术都是在一个层次上将文本分成几个类别。但随着信息检索的量越来越大,文本的种类将越来越多,仅仅通过一层对海量信息进行组织分类越来越不适合海量信息的检索工作,这种平坦式的分类组织难以进一步提高信息检索的速度。论文将SMO分类算法结合到文本分类研究中,通过构建多层支持向量机文本分类树,实现了基于SMO的多层次文本分类系统。

利用可分性指数的极化SAR图像特征选择与多层SVM分类

可分性指数(SI)可用来选择各类地物的有效分类特征,但在多维特征以及地物可分性较好的情况下,只利用可分性指数进行特征选择不能有效去除特征之间的冗余性。基于此,提出了利用可分性指数并辅以顺序后退(SBS)算法进行特征选择与多层支持向量机(SVM)分类的方法。首先,由各类地物在所有特征下的可分性指数选择分类地物和特征;然后,以该地物的分类精度为评估依据,利用顺序后退法筛选特征;其次,由剩余地物之间的可分性指数和顺序后退法依次选择各类地物的分类特征;最后利用多层SVM进行分类。实验结果表明,与只利用可分性指数选择特征进行多层SVM分类的方法相比,所提方法的分类精度提高了2%,各类地物的分类精度均高于86%,且运行时间为原来方法的一半。

基于SVM-BP混合网络的输电线路安全评价模型研究

为了能够科学、客观地评价输电线路安全状态,提出了基于SVM-BP混合网络的输电线路安全分析模型。首先,对天气数据、输电线路标准文件和缺陷数据等进行处理和分析,利用关联规则和主成分分析法对输电线路缺陷数据进行整合,建立输电线路安全状态评价体系;然后,提出了SVM-BP混合网络模型挖掘各因素与缺陷状态间的关联,评价输电线路的安全状态;最后,以某地区输电线路为数据集进行验证,该评价模型的准确率达到97.4%,可以快速准确地评价输电的安全状态,并在灾害性天气下提前做好应对措施,保证输电线路的稳定运行。