基于粒子群-拉格朗日支持向量机方法的地下厂房变形预测分析

针对地下厂房拱顶非线性变形问题,应用粒子群—拉格朗日支持向量机方法对地下厂房拱顶变形进行预测分析;针对各影响因子之间相互影响、相互干扰的问题,用拉格朗日支持向量机来表征荷载—变形之间的非线性及荷载之间的耦合关系,与标准支持向量机相比极大的提高了计算速度;同时针对拉格朗日支持向量机对参数取值敏感问题,提出利用粒子群算法对相关参数进行搜索优化以达到最佳拟合效果。该方法应用到地下厂房拱顶变形预测中,用来预测某地下厂房的拱顶变形,结果表明:该方法拟合度较高,预测误差在1 mm内,误差较小,满足工程设计要求。

拉格朗日支持向量回归的有限牛顿算法

拉格朗日支持向量回归是一种有效的快速回归算法,求解时需要对维数等于样本数加一的矩阵求逆,求解需要较多的迭代次数才能收敛。采用一种Armijo步长有限牛顿迭代算法求解拉格朗日支持向量回归的优化问题,只需有限次求解一组线性等式而不需要求解二次规划问题,该方法具有全局收敛和有限步终止的性质。在多个标准数据集上的实验验证了所提算法的有效性和快速性。

基于DCNN特征与集成学习的车型分类算法

针对传统人工设计特征描述不充分及单分类器泛化能力弱等问题,提出一种基于深度卷积神经网络(DCNN)特征与集成学习相结合的车型分类算法。微调VGG16深度卷积神经网络模型,将全连接层Fc7输出的4096维矢量采用PCA方法降至100维,作为图像的特征表示;采用拉格朗日支持向量机(LSVM)作为基分类器,以Adaboost方法自动学习各样本及基分类器的权重实现分类器集成。基于BIT和MIO-TCD数据集的对比实验结果表明,平均分类精度分别达到84.5%与83%,优于其它传统特征与单分类器方法。

基于L-SVM的级联检测器的构造

为了实现目标的快速检测,提出了一种新的基于拉格朗日支持向量机(L-SVM)的线性级联式分类器的构造方法。该方法首先根据样本的几何分布,用迭代的方式把负样本分成若干部分与正样本线性可分的样本;然后用L-SVM对这些正负样本进行分类,得到若干个线性分类器;最后,将这些线性分类器顺次组合,构成级联分类器。实验表明,与经典非线性SVM分类器相比,这种分类器在保持SVM较强泛化性能的优点的同时,在检测效率方面更是具有明显的优势。