尺度核函数支撑矢量机

本文提出了一种可容许的支撑矢量机核—尺度核 .该尺度核函数可以被看作是一个具有平移因子的多维尺度函数 ,它能作为平方可积空间的子空间上一组完备的基函数 .在此意义上 ,采用尺度核函数的支撑矢量机 ,可以认为是在尺度空间中寻找最佳的尺度系数 .因此在理论上尺度核函数支撑矢量机能够以零误差逼近某一空间上的任何目标函数 。

基于多尺度核函数的散乱点云数据过滤方法

针对光滑曲面采样散乱点云含有噪声及异常数据的问题,提出了一种基于多尺度核函数的过滤处理方法。采用核密度估计技术及均值漂移跟踪算法对原始点云数据进行聚类,结合局部似然函数来测度一个三维点位于采样曲面上的概率,利用过滤后的极大似然点集精确地逼近采样曲面,最后结合经典网格化算法能够获得较好的曲面重构效果。处理实例证明,该方法实用性好,不仅能够很好地抑制不同幅值的噪声,同时也能够探测到异常数据并进行自动清除。

基于尺度核函数的最小二乘支持向量机

支持向量机的核函数一直是影响其学习效果的重要因素.本文基于小波分解理论和支持向量机核函数的条件,提出一种多维允许支持向量尺度核函数.该核函数不仅具有平移正交性,且可以以其正交性逼近二次可积空间上的任意曲线,从而提升支持向量机的泛化性能.在尺度函数作为支持向量核函数的基础之上,提出基于尺度核函数的最小二乘支持向量机(LS-SSVM).实验结果表明,LS-SSVM 在同等条件下比传统支持向量机的学习精度更高,因而更适用于复杂函数的学习问题.

基于高维多尺度核函数的模糊SVM剩余寿命预测

为提高齿轮剩余寿命预测精度,本文提出基于高维多尺度核函数的模糊SVM齿轮剩余寿命预测方法。首先结合多个退化特征量作为SVM的高维输入来反映设备的退化过程,而不同的退化特征量因其自身的特性不同,在剩余寿命的建模中贡献度也不相同,通过熵权法确定不同变量权重,实现高维变量加权系数的自动求取。其次考虑到高维数据具有异构特性,针对每一维变量分别输入多尺度核函数进行映射,同时基于样本的分布特征利用梯形模糊隶属度函数弱化离群点,对每个训练点赋予不同的权值,以此来构建高维多尺度核函数的模糊SVM模型,实现小样本数据潜在信息的最大挖掘。最后通过齿轮箱的试验对模型进行验证,表明本文提出方法与SVM、多尺度核SVM、模糊SVM相比,可提高预测准确度。

支持向量机中Mercer核函数的构造研究

核函数的构造是支持向量机中的一个重要的问题,它直接影响模型的推广能力。在核匹配追踪学习机的基础上,提出子波核函数和多尺度核函数,利用多分辨分析可逼近平方可积空间L2(R)的性质,弥补传统核函数在逼近性能方面的不足,并通过实例证明其有效性。

基于多尺度小波核LS-SVM的红外弱小目标检测

针对红外弱小目标检测提出了一种新的算法.算法首先对图像进行均值滤波处理以减少噪声点,然后利用基于多尺度小波核函数的最小二乘向量机对图像进行局部灰度曲面拟合,再通过二阶方向导数算子计算出其特征图像并将连续几帧特征图像融合,最后采用对比度分割方法确认目标位置.仿真实验表明,该方法不仅具有良好的适应性和检测效果,而且具有较强的时效性.

SPH核函数光滑长度最优选取和自适应准则研究

基于小波分析理论和RKPM再生核函数研究无网格方法 SPH中多尺度诊断工具,多尺度再生核函数使得数值计算在不同尺度上的响应分离,并通过动态伸缩窗函数给出计算域不同位置的时频特性,实现在无网格体系下构造网格计算方法的"自适应网格",从而达到对不同流场位置多分辨率分析的目的.利用多尺度诊断工具中的小波分解算法给出SPH核函数在频域内能量残差估计,发展一种核函数光滑长度最优选取准则.最后,基于可压缩流场激波稀疏波共存的现象,针对传统的光滑长度自适应的缺陷,构造一种避免数值计算"拖尾"现象的自适应准则.

粒子群算法优化双核支持向量机及应用

针对支持向量机核函数和控制参数选取难度较大的问题,提出了一种主动划分参数区间的双尺度径向基核支持向量机,并用并行定向变异混合粒子群优化算法选取其控制参数。试验分析了利用标准数据集经多次独立重复试验得到的均值等统计量,验证、测试了上述支持向量机模型,同时考虑了类间数据不平衡的影响。结果表明,双尺度径向基核函数的性能在多数情况下优于单径向基核函数,并行定向变异的混合粒子群优化算法优于标准粒子群优化算法,能够有效抑制早熟收敛,有利于搜索到更优的支持向量机控制参数。

基于小波尺度函数的WSK-SV算法及其气动性能预测

提出了一种将小波的尺度函数与SV(support vector)算法相结合的WSK-SV(wavelet scalingkernel-support vector)新算法,并将Daubechies小波以及Shannon小波的尺度函数分别构成尺度核函数,而且分别作为SV算法中一个可容许的支持向量核函数使用.该算法充分利用了Daubechies小波函数的紧支集与正交等特点以及小波的MRA(multi-resolution analysis,多分辨分析),并注意了尺度核函数能够满足Mercer条件.该算法除了具有通常SVM(support vector machine)所具有的优点外,还具有很好的收敛性以及泛化能力,能够有效地提高学习与预测效率.典型算例选取了不同的小波尺度函数,数值计算表明:在一维、二维和三维问题中,这些小波的尺度函数均可以用于WSK-SV算法,进而显示了这个新算法的可行性与通用性.

一种新的回归型约简多分辨率相关向量机

提出一种新的稀疏贝叶斯回归算法.基于相关向量机,首先通过尺度核和小波核构造完备基以提高预测精度;然后利用保局投影对输入矩阵的列进行主成分提取以减少训练时间,从而形成算法的初步模型.为进一步减小较大规模训练数据集的回归时间压力,算法对训练数据集的分层采样建立了初步模型,进而产生实际较小规模的训练数据集.实验结果表明,算法在预测精度和鲁棒性上优于传统支持向量机和相关向量机,且其训练时间较相关向量机少.

基于有序聚类和MSKPCA的室内定位算法

针对指纹室内定位算法中环境动态变化对Wi-Fi信号的干扰和定位实时性较差的问题,提出一种基于有序聚类和多尺度核主成分分析的Wi-Fi指纹室内定位算法。离线阶段采用参考点可检测接入点序列的最长公共子序列衡量相似度,通过有序聚类划分子区域。在线阶段先进行粗定位,选择最优尺度的核主成分分析模型处理子区域指纹数据,使用朴素贝叶斯加权K近邻算法预测目标节点位置。实验结果表明,该算法可有效提升定位精度,86.7%的定位误差在1.2 m以内。

一种深层过程神经网络及其在信号分类中的应用

针对时变信号小样本集建模分类问题,提出一种深层多尺度径向基过程神经网络(DLMS-RBFPNN)。该模型由时变信号输入层、多尺度径向基核变换层、全连接层和感知机分类器构成。兼顾时变信号的频谱特征和分布形态的多样性,基于径向基过程神经网络,通过将不同宽度参数的Gauss核函数进行线性叠加,构成多尺度核,完成不同尺度上对过程信号形态特征的提取、辨识和相似性度量。通过在径向基核函数层之上叠加全连接层和分类器,实现时变信号不同尺度特征的融合和分类。DLMS-RBFPNN具有较少的模型参数,适用于小样本集建模,在机制上可提高对时变信号过程细节特征和趋势特征的辨识及记忆能力。在分析DLMS-RBFPNN性质的基础上,建立一种基于动态聚类算法的核中心函数确定方法以及基于PSO的模型参数优化求解算法。以旋转机械基于示功图信号的故障诊断为例进行实验,结果验证了模型和算法的有效性。

基于DPSO-MKELM算法的风机齿轮箱轴承故障诊断

基于离散粒子群优化算法(DPSO)与基于多尺度小波核函数的核极限学习机(MKELM),提出了一种新型的DPSO-MKELM算法用于风机齿轮箱故障诊断。首先,针对PSO算法过早收敛,易陷入局部最优的缺点,提出改进DPSO算法,在迭代过程中,通过调节权重因子和学习因子,降低算法过早收敛概率,减少优化结果陷入局部最优状态的可能。其次,提出一种基于多尺度小波核函数的核极限学习机(MKELM),利用不同尺度小波核函数叠加构造核极限学习机。最后将两种算法有机结合,提出一种新型的DPSO-MKELM算法,用于风力轴承的故障诊断。通过实际数据的算例验证,新算法具有更高的分类精度和较快的收敛速度。