基于支持向量机(SVM)的古代玻璃制品分类

古代玻璃制品是古丝绸之路交易的商品之一,一般依据化学成分对玻璃制品进行分类.但是风化会改变玻璃制品化学成分的含量,从而影响玻璃制品类型的鉴别.本文尝试先预测风化前的化学成分以消除风化的影响,再采用灰色关联分析化学成分的关联关系以及差异,最后建立支持向量机(SVM)模型对古代玻璃制品进行分类.

基于支持向量机的人体异常步态特征识别方法研究

人体异常步态特征识别可分析个体的行走姿势和模式,推算身份信息及人体潜在的健康问题。基于此,文章系统阐述基于支持向量机(Support Vector Machine,SVM)的人体异常步态特征识别方法,分析SVM在处理步态数据方面的技术优势和实现过程,开展CASIA-B和OUMVLP数据集的测试实验,验证该方法在步态识别上的准确性比传统反向传播(Back Propagation,BP)神经网络更高,为复杂行为识别研究提供了新视角。

股权属性、董事会特征与绩效识别——支持向量机(SVM)在公司绩效识别中的应用研究

与现有研究文献不同,文章采用基于统计学习理论的新型机器学习方法——支持向量机(SVM),通过2004年沪市的机械、设备、仪表行业上市公司的股权属性、董事会特征对公司绩效进行识别。研究结果显示,各组检验样本的正确识别率基本都在80%以上,证明支持向量机对公司绩效具有良好的识别能力,特别是表现出对小样本的适应性。

基于支持向量机的带式输送机智能控制系统设计

带式输送机是工业生产中常见的机械设备,用于高效、连续地运输各种散装物料或成件产品。随着自动化和智能化技术的发展,对输送机系统的控制需求日益增加,特别是在操作特点和控制参数的精确调整方面。支持向量机(support vector machine, SVM)是一种强大的机器学习方法,能够处理非线性问题并优化决策边界,使其在复杂系统的智能控制中显示出独特优势。本文详细介绍了基于支持向量机的带式输送机智能控制系统的设计与实现,包括硬件选型、外围器件整合以及软件系统的开发,重点讨论了如何通过智能控制技术优化输送机的操作效率和稳定性,并实现了面向操作特点的自动调节功能和人脸识别等安全特性的集成。

一种新的分类方法——属性均值聚类属性支持向量机(AMC-ASVM)

在属性均值聚类(AMC)与支持向量机(SVM)的基础上,提出了一个新的模式分类算法——基于(属性)聚类的属性支持向量机算法(AMC-ASVM)。主要思想是利用属性均值聚类网络得到的具有概率信息(权重)的样本,来训练属性支持向量机,从而得到分类器。这种方法结合了属性聚类的稳定性与属性支持向量机可以利用加权样本的优点,适合处理具有强噪声的数据。另外,该方法也可以看作是堆近邻分类法的自然推广。在实验部分,将其用于结肠癌基因表达数据的处理。实验结果显示了AMC-ASVM在一定程度上优于最近邻,Boosting,堆近邻,SVM等方法。

基于改进支持向量机的MMC-MG系统桥臂故障诊断

模块化多电平换流器(modular multilevel converter,MMC)半桥串联结构微电网系统桥臂中各发电模块通过串联方式连接,其投入和切除由半桥变流器(half-bridge converter,HC)中绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)的开通与关断来实现。而该系统在并网双闭环控制下,若桥臂中HC及其连接线路发生故障,会对系统的输出特性造成一定影响。为此,分析了HC中IGBT与其反并联二极管发生开路或短路故障,以及HC之间的连接线路发生开路故障时,桥臂输出电压电流、相间环流、并网电流等参数的变化情况。选取异常变化明显的参数作为特征属性,并用其构造样本数据集。另外,在系统桥臂的故障诊断中,针对采用传统支持向量机(support vector machine,SVM)时其准确率较低的问题,建立基于鲸鱼改进SVM的故障诊断模型。结合不同数据集,通过仿真实验对所建模型的有效性进行验证。结果表明:与传统SVM和BP神经网络算法相比,基于鲸鱼改进SVM的故障桥臂诊断方法准确率更高。

基于麻雀搜索算法优化支持向量机的瓶盖装配检测研究

针对基于支持向量机的瓶盖装配检测算法准确度不高、调参难度大的问题,提出通过麻雀搜索算法(Sparrow Search Algorithm,SSA)对支持向量机(Support Vector Machines,SVM)的关键参数寻找最优解.采集瓶盖部位图像,包括标准、歪斜、铝塑分离、胶塞缺失、高盖5种类型.提取6个典型特征构建数据集,采用二分类支持向量机分类,分别通过遗传算法、粒子群算法和麻雀搜索算法对支持向量机参数进行调节.训练结果表明,麻雀搜索算法优化后的支持向量机模型测试准确率达到98.33%,高于其他几种算法.基于SSA-SVM的瓶盖装配检测模型识别精度高,调参速度快,泛化能力强.

基于振动信号PSD-SVM方法的不定负荷下柴油机气阀间隙异常故障诊断

针对许多基于振动信号的故障诊断方法在不同负荷下的诊断不全面的问题。提出了一种基于功率谱密度(power spectral density,PSD)与支持向量机(support vector machine,SVM)的故障诊断方法。该方法将振动信号功率经过滑动平均滤波(moving average filter,MAF)处理,计算样本中每个周期的标准化信号的功率谱特征,再使用核方法SVM进行特征分类,从而实现故障诊断。经过柴油机实机测试,该方法对于不同负荷下的故障识别率达到96.72%,能有效识别不同负荷下的柴油机进排气阀间隙增大故障。

支持向量机(SVM)在傅里叶变换近红外光谱分析中的应用研究

支持向量机(SVM)用于两类问题的识别研究,它是统计学习理论中最年轻的分支,所建分析模型有严格的数学基础。同时介绍了SVM学习的基本原理和方法,并将该方法引入化学计量学,以103个中药大黄样品为实验材料,通过SVM近红外光谱法建立了大黄样品真伪识别模型。对学习集中33个样品模型识别准确率为100%;对70个预测样品的识别准确率为9677%,为中药大黄的快速识别提供了参考。研究结果表明了SVM近红外光谱法建立生物样品识别模型的可行性。通过旨在介绍SVM学习方法的基本思想,以引起化学计量学工作者的进一步关注。

基于广义正态分布算法优化支持向量机的电机轴承故障诊断研究

为了提高旋转机械设备故障诊断的准确率,提出一种基于广义正态分布优化(Generalized Normal Distribution Optimization,GNDO)的支持向量机(Support Vector Machine,SVM)算法。在SVM算法的基础上,使GNDO对其进行寻优求解,找到SVM算法的最优参数组,以此推导出GNDO-SVM算法。结果表明,在电机轴承故障诊断中,GNDO-SVM算法相较于SVM算法的分类准确率提高了3.9个百分点,有着更好的有效性和准确性。

基于粗糙集属性约简算法和支持向量机的短期负荷预测

结合粗糙集和支持向量机两种智能算法提出了短期负荷预测模型。首先根据历史数据建立属性决策表,通过属性约简算法对数据进行挖掘,找到影响负荷的核心因素,然后将它们作为支持向量机的输入矢量来预测负荷。算例结果表明,新模型与按经验选取输入矢量的传统支持向量机模型相比,预测精度有了很大的提高且更适用于短期负荷预测。

基于支持向量机(SVM)的回采工作面瓦斯涌出混沌预测方法研究

针对瓦斯涌出传统的线性预测方法存在的问题,根据瓦斯涌出时间序列固有的确定性和非线性,利用混沌动力系统的相空间延迟坐标重构理论,结合基于机器学习理论的支持向量机(SVM),建立基于SVM理论的瓦斯涌出混沌时间序列预测模型。经Ⅱ1024回采工作面瓦斯涌出时间序列仿真计算,仿真结果显示该预测模型具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度。同时,该模型具有以往传统机器学习的瓦斯涌出预测模型建立简便、训练速度快等优点。由于充分考虑瓦斯涌出时间序列的混沌性,并利用SVM预测的优良特性,使得预测更科学。

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.

基于地震属性优选与支持向量机的油气预测方法

地震属性分析技术是油气藏勘探开发中的主要研究内容。在利用地震属性进行油气预测前,必须优选出对研究区块油气敏感、彼此相关性不强的属性组。本文针对支持向量机提出一种新的特征选择算法,通过定义核特征相似度推导出核空间类可分性度量,并根据类可分性的变化递归选择最具判别能力的属性子集。将本文算法与支持向量机结合应用于四川观音场构造阳新统上部碳酸盐岩储层和大庆油田G开发区块的油气预测,预测结果验证了本文方法的有效性,可以成为油气预测中的一种可选方法。

基于支持向量机的人物属性抽取

研究了如何使用机器学习方法和语义资源实现有效的人物属性抽取.人物属性抽取是指从自由文本中提取出人的属性信息,如性别、职务信息等.如果把描述人属性的词也看做是实体,则可以把人物属性抽取看作是实体关系抽取的具体应用.使用<知网>提取描述人属性的词作为触发词,这样就可以把触发词和人名间的描述关系转化为一分类问题.当选取触发词和人名左、中、右的3个词的词义和词性作为特征,使用支持向量机进行判别时达到最好抽取效果.

基于支持向量机属性约简集成的模拟电路故障诊断

针对模拟电路故障数据存在大量无关或冗余特征的特点,为进一步提高故障诊断准确率,提出支持向量机属性约简集成的模拟电路故障诊断新方法。首先证明一致决策表属性约简与集合覆盖的等价性,将最优属性约简问题转化成最小集合覆盖问题;然后在结合混沌优化产生初始信息素分布和进行混沌扰动的基础上,设计求解最小集合覆盖问题的混沌蚁群算法;最后给出基于属性约简集成的模拟电路故障诊断模型。用双二次滤波电路对算法进行验证,取得97.8%的故障诊断准确率,与其他方法进行比较,结果显示了本文方法的优越性。

基于支持向量机的属性优选和储层预测

本文采用基于支持向量机(SVM)的特征选择方法进行地震属性优选,根据油井的产油气情况将油井分为高产井和低产井,利用SVM对这些样本进行训练,然后根据每个属性对应的权值进行筛选,便可以选取对油气敏感的属性,进而更好地预测储层。具体过程为:①提取一定量的地震属性;②根据已知井的信息,获得训练样本,训练线性SVM;③计算各个特征的权值;④选取较大权值绝对值对应的多个属性;⑤将支持向量回归机(SVR)应用于优选出的属性,获得储层预测的结果。实际资料应用结果表明,文中方法不仅能筛选出有效的地震属性,还能够有效地预测储层。

基于多属性决策和支持向量机的风电功率非线性组合预测

针对单一预测模型误差波动较大和线性组合预测的局限性,提出了基于多属性决策和支持向量机(SVM)的风电功率非线性组合预测模型。首先基于多属性决策理论,在检验其预测有效的情况下选择3种最优模型作为单项预测模型,并分别建模预测得到3种不同的预测结果;然后将各单项的预测结果作为训练输入,将相应的实际值作为训练输出,建立SVM组合预测模型。为检验该模型预测的有效性,用2组不同的历史数据进行验证,结果表明:该组合模型综合了各单项模型的优点,其均方根误差和平均百分比误差均小于各单项模型及其他组合模型,有效地提高了预测精度。最后还研究了采样间隔对预测结果的影响,结论表明:当采样间隔为5～15min时,预测精度较高。

煤与瓦斯突出预测的支持向量机(SVM)模型

基于支持向量机(SVM)分类算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出预测的SVM模型。该模型选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度5个指标作为模型输入量,同时将煤与瓦斯突出程度划分为无突出、小型突出、中型突出和大型突出4个等级,进而使其评判结果更为细化。以实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。通过算例分析,表明该模型的方法对煤与瓦斯突出预测的合理性与有效性,可以在实际工程中推广。

支持向量机(SVM)方法在降水分类预测中的应用

支持向量学习机(SVM)是基于统计学习理论的模式分类器,将SVM方法应用于降水异常的分类预测中尚属首次。主要利用1958—2003年逐月的74个环流特征量、NINO 3,NINO 4海温指数、相关区域海平面气压、500 HPA、100HPA有关指数资料等,分别建立了四川盆地5片区降水距平百分率大于50%(特多)和小于-50%(特少)的2个SVM推理模型,并进行了降水分类预测试验和2005年1-3月实际预测,结果显示出所建SVM推理模型的Ts评分较高,具有一定的预测能力,展示了SVM的优越性和推广前景,可在短期气候预测业务中参考应用。