模糊核聚类相关向量机模拟电路故障诊断

针对模拟电路故障与特征间存在的模糊组及交叠,首先建立基于Fisher准则函数的最佳聚类数自适应估计方法,采用模糊核聚类选择最优可诊断故障集,然后提出一种基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,提高了RVM模拟电路故障分类的效率和准确度;模型可以在贝叶斯框架下对分类函数的权重进行推断,而且得到各分类的验后概率,从而能判断分类结果的置信度,辅助进行诊断决策;仿真结果表明提出的模拟电路诊断模型在精度提高的情况下,比支持向量机需要的向量更少,更具稀疏性和泛化性,是一种有效的模拟电路故障诊断方法。

一种基于支持向量机的信号调制分类方法

针对现有数字信号调制分类的问题,在人工分类的基础上,提出一种基于支持向量机(SVM)的自动分类方法。提取信号的高阶累计量特征参数用于训练与测试数据。比较已有的基于SVM的调制分类方法,采用应用混合核函数的SVM分类方法,并利用决策树二分类思想设计分类流程。经过仿真比较,验证了该混合核函数的SVM具有较好的分类性能。

基于Fisher准则函数的相关向量机模拟电路故障诊断

针对模拟电路故障与特征间存在的模糊组及交叠、分类效果不理想的情况,提出基于Fisher准则函数的最佳聚类数自适应估计方法和基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,采用模糊核聚类选择最优可诊断故障集,然后在贝叶斯框架下对故障进行分类。该模型可以对分类函数的权重进行推断,辅助进行诊断决策,提高了RVM模拟电路故障分类的效率和准确度。仿真表明提出的诊断模型在精度提高的情况下,更具稀疏性和泛化性。

一种基于粒度相关向量机的故障预测方法

针对相关向量机在预测大样本故障数据中存在学习效率低和过度学习的不足,将粒计算和相关向量机理论系统结合,提出一种基于粒度相关向量机的故障预测方法。首先,以模糊C均值聚类作为粒化方法,将原数据集划分成一系列信息粒并提取其粒心以代替该粒中的样本;然后,将粒心的集合作为训练集对相关向量机的模型进行训练;最后,以训练得到的模型对未知数据进行预测。仿真结果表明,聚类数目和核参数的合理选取是保证粒度相关向量机性能的关键,粒度相关向量机在显著提高对大样本数据学习效率的同时,避免了过度学习,具有较高的预测精度。

基于支持向量机的分类方法

支持向量机是建立在统计学习理论基础上的一种小样本机器学习方法,用于解决二分类问题。本文阐述了支持向量机的理论基础并对核函数的参数选择进行了分析研究。

基于支持向量的图像相关反馈检索

对图像相关反馈检索过程建立二分类的支持向量机问题模型,进而提出基于支持向量的图像相关反馈检索方法。比较了基于支持向量的反馈检索方法和传统的反馈检索方法的检索性能,研究了特征提取对支持向量机性能的影响。实验结果表明,基于支持向量的图像相关反馈检索方法具有较好的图像检索效果。

基于多核聚类算法和用户兴趣模型的图像搜索方法

现有的搜索引擎算法不能完整地分析用户的查询目的,直接影响了检索的质量并增加了用户检索的代价。为了提高图像搜索的效率,文中提出了一种基于多核聚类算法的图像搜索方法,通过使用最小二乘支持向量机建立用户兴趣模型,并将个性化的搜索结果返回给用户。实验证明,与其他聚类算法相比,该算法的查全率和查准率可分别提升了8.2%、11.42%和19.7%、26.08%,有明显的提升效果。

基于HIOA-MK-TCRVM算法的边坡稳定性估计模型

为提高边坡稳定性估计方法的精度及计算效率,将混合智能优化算法(HIOA)与多核二分类相关向量机(MK-TCRVM)算法相结合,建立HIOA优化的MK-TCRVM(HIOA-MK-TCRVM)算法,并用其估计岩质边坡及土质边坡稳定性。同时,基于单核二分类相关向量机、支持向量机(SVM)等算法建立其他的边坡稳定性估计模型,并与HIOA-MK-TCRVM算法进行精度与稀疏性对比分析。最后,分析HIOA算法优化MK-TCRVM算法参数的效果。结果表明,HIOA-MK-TCRVM算法对训练集与测试集边坡稳定性估计的准确率均达到100%,其精度优于其他边坡稳定性估计模型;HIOA-MK-TCRVM算法的相关向量数占训练样本数的25%以内,模型稀疏化效果明显;向HIOA算法中加入遗传操作后,其进化速度及最优解均得到较好的改善。

基于DCNN深度特征融合和MMRVM的遥感场景分类

传统的高分辨率遥感图像的语义解析大多面向中低层次的图像语义解释,不能很好地满足更高层次的图像语义需求。针对这一问题,提出DCNN特征融合的方式进行特征处理以提高特征描述力,再通过寻求优秀核函数结合的方式构建分类器。通过实验证明,特征融合结合构建的多核多类相关向量机的方式能够提高分类效果。该方法应用于构建的实际场景LSV数据集,能够准确实现遥感场景分类。

基于保局部核RVM的说话人识别方法

针对说话人语音特征随音量、情绪、健康等因素变化呈现出的复杂分布结构,提出一种基于保局部核相关向量机(RVM)的说话人识别方法。在RVM模型所采用的高斯核函数中引入相似度因子,以保留数据局部结构,构成保局部核RVM模型。在模型训练过程中采用快速算法以避免大型矩阵逆操作,减少计算量,可适用于大样本场合。应用结果表明,该方法能加快测试速度,提高分类精度。

基于词袋模型的监控视频异常活动检测算法

针对监控视频异常活动检测算法检测准确率与鲁棒性较低的问题,提出了一种基于词袋模型与无向图建模的视频异常活动检测算法.(1)将输入视频划分为大小相等的视频片段,提取每个视频片段的时空兴趣点;(2)生成一个局部活动的无向图集,图的顶点表示时空兴趣点,边表示兴趣点之间的关系;(3)分别对局部异常活动和全局异常活动进行分类处理,识别出异常活动.基于公共数据集UMN的仿真实验结果表明,本算法对视频监控中异常活动具有较好的检测准确率.

FCM-ABC-MKRVM多模型融合软测量建模

许多化工过程具有强非线性、机理复杂和多工况等特点,针对传统软测量模型无法全面描述过程特性而导致模型预测精度较低的问题,提出一种FCM-ABC-MKRVM多模型融合软测量建模方法。首先采用模糊C均值聚类算法(FCM)将训练样本划分为多个子类,并确定各子类的聚类中心;然后通过训练各子类样本建立多核相关向量机(MKRVM)子模型,其中采用人工蜂群算法(ABC)优化核函数参数和组合权重因子;在模型预测阶段,计算测试样本与各聚类中心的隶属度值,并作为各子模型输出值的加权系数,通过多模型融合得到最终的模型预测输出。将该建模方法应用于聚丙烯熔融指数软测量研究中,仿真结果表明:与MKRVM模型和ABC-MKRVM模型相比,基于FCM-ABC-MKRVM多模型融合的熔融指数软测量模型具有更佳的预测精度,可以为复杂多工况化工过程的产品质量指标在线预测提供指导作用。