基于概率支持向量机原理的超声缺陷识别模型研究

为了提高大型零件超声波探伤过程中的缺陷辨识能力,提出一种基于概率支持向量机原理,结合经验模式分解和DS证据理论,采用多探头检测的一种超声缺陷识别模型。首先,对每个探头检测的含有缺陷的信号运用经验模式分解法提取信号特征;其次,利用支持向量机来进行缺陷识别,并采用最大后验概率策略来处理传统支持向量机的输出,得到每个探头检测到的缺陷的概率支持度;最后,采用DS证据理论得出最终的缺陷类型。结果表明,该模型克服了传统的支持向量机在处理多类问题时其硬判决输出限制后续数据处理的缺陷,同时避免了主观判断,提高了识别精度和准确率。与神经网络结合DS证据理论模型和单探头多级二类支持向量机模型进行了对比分析,论证了本模型的优越性。

基于概率支持向量机的可靠性分析与设计方法

结构可靠性设计是现代结构设计中能够考虑不确定性因素影响的重要方法之一。针对结构可靠性设计中较为复杂的隐式多概率约束条件问题,本文提出了一种有效的代理模型方法。该方法基于多输入多输出支持向量机方法,并引入分类错误概念,可以同时对多个概率约束条件进行建模,同时对概率约束条件进行了相对保守的结构可靠性分析,得出非零失效概率的两者差值在1%~10%。将该可靠性评估方法嵌入可靠性设计优化框架内,形成了偏于安全的结构可靠性设计方法。文中还提出了一种新偏导数计算方法,用于可靠性优化设计。最后将所提方法应用于减速器可靠性分析和优化设计中,验证了其计算精度和效率。

一种新的概率支持向量机方法

提出一个新的基于样本点概率估计的支持向量机,通过定义相应样本数据点的概率估计值,以及相应的数据样本点到超平面的距离,来形成新的线性和非线性情况下的支持向量机。最后通过实验证明,在数据集的训练上,新的支持向量机比以往传统的支持向量机有更好的分类性能,并且缩短了支持向量机数据样本的训练时间。

工业机器人概率模糊支持向量机在线控制方法研究

本文针对工业机器人系统中存在的模糊信息和随机信息,结合模糊支持向量机理论、概率处理方法和自适应调整机制,提出了工业机器人概率模糊支持向量机在线控制模型。实验表明,该方法在保障快速性的同时,可以实现对模糊信息和随机信息的统一处理机制,提高了机器人在线控制的鲁棒性、跟踪精度和快速性。

基于时变贝叶斯网络的无人机态势评估模型

为解决无人机(UAV)在突发威胁下的环境感知问题,提出一个基于后验概率支持向量机(PPSVM)的时变贝叶斯网络(TVBN)态势评估模型,利用PPSVM完成突发威胁观测信息的分类处理,将分类信息的不确定度作为态势评估的证据,使用概率推理实现动态环境下的态势评估。以UAV规避空中突发威胁为仿真背景验证该模型的正确性,并表明其评估结果能真实地反映环境变化情况。

基于改进多分类概率SVM模型的变压器故障诊断

针对电力变压器内部结构复杂,故障类型繁多,难以实现故障准确有效诊断的问题。提出k近邻及改进多分类概率支持向量机对电力变压器进行多分类故障诊断的方法。首先,采用有向无环图的形式对变压器各种故障进行归类,进而利用k近邻算法对故障大类进行预分类,缩小故障所属类别,降低了后续多分类模型的构建复杂度。然后,以预分类后的类别样本数据作为输入,训练OVO-SVMs分类器,以概率的形式输出隶属各类的概率矩阵,并用改进OVR-SVMs分类器的概率输出作为概率矩阵中各元素的权重系数,对概率矩阵进行更新、修正,提高故障诊断正确率及可靠性。实际诊断结果显示,所提出的方法与IEC三比值法和传统的多分类支持向量机相比,在故障诊断范围、故障诊断正确率和故障诊断效率上均有所提高。

基于概率潜在语义分析模型的分类融合图像标注

图像自动标注作为计算机视觉领域重要的研究课题,近年来取得了巨大的成果,但由于语义鸿沟的存在,仍然存在巨大的挑战。本文提出一种基于概率潜在语义分析模型的分类融合图像标注方法。首先,该方法分别提取图像的形状和视觉特征,聚类生成词袋;然后利用融合概率潜在语义分析模型计算得出图像标注词的概率,并利用支持向量机依据图像颜色特征分类得到分类标签的类别权重;最后在得到的标注词概率中融入类别权重,最终得到图像的标签。并且使用Corel图像数据集进行标注模型的训练和图像的标注。实验结果表明,对比几种前沿的标注方法,本文获得了良好的性能。

一种自适应权值的多特征融合分类方法

由于类别较多或者特征单一等原因,传统的支持向量机方法对一些复杂问题的分类,很难获得好的识别效果。首先使用一种树状结构将概率支持向量机推广到多分类问题;然后提出一种自适应权值的多特征融合方法,根据概率输出自动调整不同分类器的相关权值,将所有分类器的结果进行加权得到最终的判决结果。为解决实际应用中常出现的非平衡问题,提出综合权值方法,将类别权值与特征权值进行综合。实验结果表明,融合方法较之传统的支持向量机一对一方法以及概率支持向量机方法能够获得更高的识别率;对于非平衡问题,综合权值方法可以得到更加合理的识别结果。

基于光谱与空间特征结合的改进高光谱数据分类算法

针对仅利用光谱信息进行分类未充分利用高光谱数据图谱合一特性的问题,提出了基于马尔可夫随机场的改进分类模型,利用基于最大后验概率的马尔科夫随机场模型进行光谱与空间信息的融合应用,采用基于光谱信息的概率支持向量机方法提高马尔科夫随机场模型中光谱能量函数项的类条件概率估计精度,设计基于信息传播策略、信息更新策略、多尺度传播策略的多重加速策略的高效置信传播优化算法,解决了马尔科夫随机场模型中全局能量最小化优化过程中计算复杂度高、计算耗时等问题。利用航空可见-近红外成像光谱仪AVIRIS对美国印第安纳州西北部的农业示范区数据进行应用分析,并与迭代条件模型、模拟退火、置信传播等方法进行性能比较,试验结果表明:该方法能够达到总体分类精度95.78%、Kappa系数0.933 4,优于现有马尔科夫随机场分类算法,并且计算效率比置信传播优化算法提高了3倍以上。

应急物流中基于PPSVM的应急物资分类研究

突发事件一旦发生,应急物资需求种类是纷繁复杂的,应急物流中的物资需求又是紧迫的、动态变化的.为了提高应急物流的运作效率,救援管理人员需要对应急物资进行分级.本文提出一种基于后验概率支持向量机的应急物资分类方法,并在此基础上建立应急物资分类模型.把物资的重要性、时效性和缺口程度三个因素作为物资需求分级的评价标准,将模糊化后的评价值作为PPSVM的输入,选择后验概率最大所的类别作为测试样本的类别输出来完成整个分类过程,从而得到对应的分级结果.实验结果表明,PPSVM用于应急物资分类是可行的,能够很好地解决应急物资的分类问题.

计及继电保护与油气信息的变压器故障推理

变压器作为现代电力系统中最重要的设备之一,承担电能转换与分配的重要任务,为电力系统稳定运行提供了重要保障。在目前的变压器故障诊断中,由于油气数据信息量不足而经常导致诊断效果欠佳,所以文中提出了一种计及继电保护与油气信息的变压器故障推理方法。该方法首先通过变压器的运行状态与继电保护装置的关系建立贝叶斯网络;其次运用油气信息训练概率支持向量机,并计算该油气信息所对应变压器运行状态与故障程度的概率;随后根据历史统计数据,结合蒙特卡洛模拟算法与极大似然估计推算贝叶斯网络节点的条件概率;最后根据3个故障实例验证了该方法的有效性。实例分析表明,该方法有效的解决了油气数据信息量不足的问题,同时为运维检修人员提供了较为准确的检修决策。

顽健合成图像篡改检测及定位

针对自然图像与高度仿真的计算机生成图像的合成图像篡改检测问题,提出在YCb Cr颜色空间基于差分直方图和中心对称局部二进制模式提取图像块颜色和纹理特征的方法,通过训练后验概率支持向量机模型对待测图像块进行识别。在不重叠分块情况下先大致判断篡改区域,然后在该区域内逐像素分块判别,最终实现篡改区域精确定位。实验结果表明,对128 dpi×128 dpi图像块的识别率达到94.75%,高于现有方法;对合成图像篡改区域能够实现精确定位,且对旋转、缩放操作表现出较好的顽健性。

改进的非线性RMPSVM及TMPSVM

利用二次规划的Wolfe对偶形式改进了传统的非线性最小最大概率机(简记为非线性I-MPM),在此基础上借助于SVM思想提出了非线性正则化最小最大概率支持向量机(非线性RMPSVM)。为了弥补线性TMPMC和线性TMPM中没有考虑同类样本尽可能近的不足,结合非线性I-MPM和非线性TSVM的思想提出了非线性I-TMPSVM。实验结果表明非线性I-MPM和非线性RMPSVM的分类性能总体上优于非线性SVM,非线性I-TMPSVM不仅具有较低的计算复杂性,分类性能优于非线性TSVM和非线性I-MPM,且运行时间少于非线性TSVM。

基于混合熵和L_1范数的遥感图像分类

针对遥感图像数据具有的高维数、非线性以及海量无标记样本的特性,提出了一种基于混合熵和L1范数的概率型最小二乘支持向量机分类方法.将准熵和熵差分融合,构造一种混合熵用以从海量无标记样本集中选出最有"价值"的待标记样本;基于L1范数距离度量,进一步从待标记样本集中筛选出孤立点和冗余点加以剔除;基于初始已标记样本以及筛选得到的样本,训练得到概率型最小二乘支持向量机.对反射光学系统的成像光谱仪(ROSIS)高光谱遥感图像进行了分类实验.结果表明:所提分类方法的总精度和Kappa系数分别达到了89.90%和0.868 5,能够以较少的训练样本得到较高的分类精度,其更适于处理遥感图像分类问题.