水下目标识别中样本选择与SVME融合算法

水下目标识别中训练样本集含有冗余样本、噪声样本及无关样本,且特征提取、特征选择和决策系统设计过程分离而导致系统识别性能的下降,为此提出了基于加权最近邻收缩样本选择的SVM集成算法(SVME-WRNN)和基于加权免疫克隆样本选择的SVM集成算法(SVME-WICISA)。这2种集成方法通过样本选择来构建精度高、差异大的子分类器,并将其集成。利用4类水下目标实测数据进行了分类仿真实验。实验结果表明:SVME-WRNN算法和SVME-WICISA算法与SVME算法(无样本选择)相比较,在识别率相当的情况下,大幅度地降低了训练样本数目,得到的综合分类器具有良好的分类精度。

基于样本选择与PSO-ANN的葡萄酒酒精浓度预测

为了提高拉曼光谱定量分析模型的准确性以及稳健性,提出了一种新的样本选择算法——KM法.实验中以40组葡萄酒光谱为分析对象,将KM法与传统的RS,KS,SPXY样本选择算法相比较.实验结果表明:KM法获得的|RMSEP-RMSEC|要优于其他三种方法,剩余预测偏差(RPD)存在显著性差异,说明KM法具有很好的预测准确度.同时,针对BP神经网络易陷入局部极值的问题,将粒子群优化算法用于优化人工神经网络的参数(PSO-ANN),通过与遗传算法、人工鱼群算法及混合蛙跳算法比较,发现PSO-ANN较之于其他三种方法,能够提高BP神经网络泛化性能,具有收敛速度快、稳健性强及预测精度高等优势.