基于非线性支持向量机的配电网带电检测方法

由于现有方法在配电网带电检测中应用效果不佳,不仅灵敏度比较低,而且特异度也比较低,无法达到预期的检测效果,本文提出基于非线性支持向量机的配电网带电检测方法。采用压缩感知算法对原始配电网电气信号处理,减少样本数据量,构造配电网数据序列样本集,利用小波去噪技术对数据序列样本去噪处理,利用非线性支持向量机对电气信号分类,识别检测异常信号,以此完成配电网带电检测。经实验证明,设计方法灵敏度与特异度均在90%以上,检测精度较高,在配电网带电检测方面具有良好的应用前景。

辅助训练的半监督线性支持向量机用于EEG分类

研究了基于辅助训练思想的半监督线性支持向量机方法在脑机接口EEG分类中的应用。首先采用高斯混合模型、Parzen窗、KN-近邻估计三种方法估计概率密度,得到未标记样本的密度信息,选择部分概率较高样本,使用比较置零法避免错分。其次采用线性支持向量机作为判别分类器得到已选样本的边界信息,通过距离判别条件选出高置信度的样本,使用方向判别条件避免错分。结合密度和边界信息完成高置信度未标记样本选择的方法称为辅助训练半监督支持向量机。本文的实验数据包括g50c、BCIⅠ、BCIⅡ_Ⅳ、USPS,分类正确率分别为91.6%,97%,84%,90.4%,运算速度最慢的仅需约3.5 s。在分类正确率和运算效率两个方面,均优于自训练半监督SVM、监督SVM两种方法。

基于线性支持向量机的指纹图像分割方法

针对现有指纹分割方法存在的不足,提出了一种基于线性支持向量机的指纹图像分割方法。该方法首先选择指纹图像子块的傅里叶频谱能量比和灰度对比度构成特征向量,利用线性支持向量机对这些特征向量进行分类,再运用二值图像形态学操作最终实现指纹图像分割。实验结果表明,与现有的一些典型方法相比,该方法对于指纹图像分割更为准确、可靠。

基于线性支持向量机的文本分类应用研究

目前基于机器学习的文本分类方法得到了广泛应用,线性支持向量机是处理高维稀疏数据的有效机器学习方法之一。本文利用公共文本数据集进行了分类实验,对线性支持向量机与传统支持向量机在文本分类时的训练时间和分类准确率进行了对比分析,结果表明线性支持向量机具有更快的训练速度和更好的泛化能力。

基于非线性支持向量机的公交车自燃检测研究

针对近年来公交车自燃事故频发、实时火灾检测困难的问题,引入非线性支持向量机判别公交车自燃的方法,建立了公交车自燃仿真模型,并通过仿真数据对非线性支持向量机进行了训练和验证。验证表明:当公交车发动机舱室内有自燃情况发生时,该方法能够迅速、准确地进行识别,对自燃初始阶段具有良好的辨别能力。

基于非线性支持向量机的原核生物基因识别

应用非线性最小二乘支持向量机对原核生物进行基因识别，通过寻找序列开放阅读框（ORF），并与可靠基因位点文件进行比较产生训练样本集，然后提取样本GC含量和Z曲线特征，并利用T检验方法检验各特征值所包含的信息量，设计出了非线性最小二乘支持向量机分类器识别基因。结果表明非线性最小二乘支持向量机的识别率比Fisher判别和线性支持向量机在不同的特征组合下分别提高了7．09％-29．97％和10．97％-25．45％，并且在特征值信息量较小的情况下非线性最小二乘支持向量机更能表现其优越性。

基于线性规划支持向量机的隧道围岩变形预测

支持向量机(SVM)以其良好的学习性能被广泛应用于包括隧道围岩变形在内的时间序列预测,核函数形式对其预测能力有重要影响,故灵活运用核技巧来增强推广性能已成为支持向量机应用研究的一个重要方面。对于标准SVM及最小二乘支持向量机(LS-SVM),由于其核函数必须满足Mercer条件,因而大大限制了核函数选取范围,制约着推广能力的进一步提升。为此引入一种新型的时间序列预测模型———线性规划支持向量机(LP-SVM),因其核函数不必满足Mercer条件,从而为灵活选取核函数提供了方便。将新预测模型应用于岭南高速公路雪家庄隧道围岩变形预测,分析结果表明,在同时采用径向基(RBF)核函数的情况下,LP-SVM与LS-SVM的预测精度非常接近,能够满足工程需要,但由于前者的核函数可以在更大范围内选取,使其预测性能具有更大的提升空间,从而为岩体变形预测提供了一种更具潜力的新途径。

基于线性最小二乘支持向量机的光谱端元选择算法

光谱端元选择是高光谱数据解混分析的重要前提。在各种端元选择算法中,N-FINDR算法因其自动性和高效性受到广泛欢迎。然而,该算法需要进行数据降维预处理,且包含大量的体积计算导致该算法的运算速度较慢,限制了该算法的应用。为此提出基于线性最小二乘支持向量机的N-FINDR改进算法,该算法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度来加速算法。此外还提出对野值点施加有效控制以赋予算法鲁棒性,以及利用像素预排序方法来降低算法的迭代次数。实验结果表明,基于线性最小二乘支持向量机的改进N-FINDR算法在保证选择效果的前提下复杂度大大降低,鲁棒性方法和像素预排序方法则进一步提高了算法的选择效果和选择速度。

线性支持向量顺序回归机的原始问题的解集分析

本文主要对线性支持向量顺序回归机进行理论研究.对其相应原始问题解的存在性唯一性问题进行细致的分析,指明其解集的确切结构,并给出由对偶问题的解求出原始问题的解集的具体步骤.从而为建立理论上完备的线性支持向量顺序回归机提供了依据.

一种大规模支持向量机的高效求解算法

现有大规模支持向量机求解算法需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现。提出了一种大规模支持向量机(SVM)的高效求解算法,以在个人PC机求解大规模SVM。它包括3个步骤:首先对大规模样本进行子采样来降低数据规模;然后应用随机傅里叶映射显式地构造随机特征空间,使得可在该随机特征空间中应用线性SVM来一致逼近高斯核SVM;最后给出线性SVM在多核环境下的并行实现方法以进一步提高求解效率。标准数据集的对比实验验证了该求解算法的可行性与高效性。

多支持向量机在线联合的运动目标跟踪算法

依据二元分类的思想,提出了一种新的基于多支持向量机在线联合的运动目标跟踪算法。首先选择线性支持向量机作为分类器最大限度地将目标和背景区分开来,对线性支持向量机进行简单高效的在线更新,采用支持向量自动记录运动目标"关键帧"的信息。然后通过Adaboost算法为每个线性支持向量机分别赋以不同的权重,进行在线联合获得强分类器。实验结果表明,该算法具有较强的鲁棒性,尤其在目标变化过于激烈的情况下能够实现较为稳定的跟踪。

基于改进卷积神经网络与支持向量机结合的面部表情识别算法

针对当前卷积神经网络(CNN)利用端层特征进行面部表情识别存在模型结构繁琐、训练参数过多、识别不够理想的问题,提出一种基于改进CNN与支持向量机(SVM)相结合的优化算法。首先,利用连续卷积的思想设计网络模型,以获取更多非线性激活;然后,采用自适应全局平均池化(GAP)层取代传统CNN中的全连接层,以减少网络参数量;最后,用SVM分类器代替传统Softmax函数实现表情识别,以提高模型泛化能力。实验结果表明,所提算法在Fer2013和CK+数据集上分别取得了73.4%和98.06%的识别准确率,与传统LeNet-5算法相比,在Fer2013数据集上提升了2.2个百分点,且该网络模型结构简单、参数量较少,具有良好的鲁棒性。

基于鲁棒支持向量机的光谱解译

在传统基于线性光谱混合模型的光谱解译方法中,模型自身的不足以及在光谱解译过程中无关类别的参与都影响着解译效果。为此,提出一种基于支持向量机并结合空间信息的光谱解译方法。首先创建一种具有鲁棒特性的线性最小平方支持向量机(LLSSVM),并将其应用于初次光谱解译;然后利用空间信息进行智能性纯像素判定、解译结果校正,并对混合像素进行相关类别选择;最后再次应用LLSSVM在相关类别内进行二次解译。仿真试验中,本文方法比传统方法在解译精度上提高了10%,表明了该方法具有良好的解译效果。

支持向量机在大规模数据分类中的应用

笔者对支持向量机在大规模数据分类中的应用进行了分析研究,针对其在处理大规模数据时存在的内存空间需求过大和训练时间过长的问题,基于不同特性的通用数据集对三种不同算法支持向量机的分类时间和准确度进行了实验,比较分析了传统支持向量机采用不同核函数和线性支持向量机采用不同损失函数的分类效果,对分布式支持向量机的分类进行了实验。实验结果表明,相对于传统支持向量机,分布式支持向量机和线性支持向量机的训练速度和分类准确率都有提高。

果园移动机器人激光雷达双源信息融合实时导航方法

为提高林果园移动机器人导航系统的精确性与鲁棒性,提出一种基于激光雷达三维点云的果园行间高低频双源信息融合实时导航方法。首先,喷雾机器人搭载三维激光雷达采集两侧果树点云信息,对原始点云数据进行直通滤波、降采样和统计滤波等预处理,保留感兴趣区域内果树冠层点云;然后,将分别基于高频更新的牛顿插值算法和低频更新的非线性支持向量机(Non-linear support vector machine,NSVM)算法拟合的行间导航线进行互补融合;最后,在导航线切换时,对融合后导航线的稳定性进行优化,并使用三次B样条算法使导航线平滑。实验结果表明:融合优化后的导航线最大曲率为0.048 m^(-1),平均曲率为0.018 m^(-1);分别以0.5 m/s和1.0 m/s的行驶速度对融合优化后的导航线进行跟踪,绝对横向偏差最大值分别为0.104 m和0.130 m,平均值分别为0.053 m和0.049 m,说明该导航方法能够满足作业装备在果园行间自主导航作业的需求,为喷雾机器人在果园环境中的自主导航提供技术参考。

低阶数据映射和特征加权的线性SVM

针对传统线性支持向量机在训练数据集时均等对待每一维输入特征,以及在原始空间直接分类造成预测准确率低的问题,提出低阶多项式数据映射和特征加权相结合的方法,来提高线性支持向量机的分类性能。该方法首先将每个样本映射到多项式核对应的2-阶显式特征空间,从而增加样本的隐性信息,然后使用模糊熵特征加权算法计算每一维特征的权重,通过权重衡量特征对分类结果的贡献大小。从不同数据库选取7个数据集进行测试,在训练时间和预测准确率2个方面将该方法与核支持向量机、线性支持向量机的其他改进算法进行比较。结果显示,随着数据集规模的扩大,训练时间降低一个数量级,预测准确率在一些数据集上取得与核支持向量机相接近的效果。结果表明:所提方法可以有效提高线性支持向量机的整体性能。

求解线性SVM的非精确步长搜索割平面方法

割平面方法可高效求解线性支持向量机问题,其主要思路是通过不断添加割平面并利用精确线性搜索实现算法的加速和优化.针对其中的非光滑线性搜索问题,文中提出一种基于非精确步长搜索的加速割平面方法.该方法使用较少的迭代次数就能确定最优步长所在的子区间.在此基础上,用二点二次插值的闭式解逼近最优步长,从而较精确线性搜索方法速度更快、开销更小,且保持同样的收敛边界.大量实验表明,文中方法效率优于基于精确线性搜索的优化割平面方法,在一些数据库上的收敛速度甚至提升50%.

非线性SVM融合LDA的sEMG手势识别应用分析

针对非线性SVM及LDA算法在肌电信号手势识别应用上的合理性问题进行实验,比较新型非线性支持向量机(SVM)分类方法和实际应用中常用的线性判别分析(LDA)在肌电图手势识别上的优劣。首先采用1到6不同数量的电极采集3组不同的手臂动作的前臂肌电信号,记录数据。然后,通过计算机编写算法程序对比SVM和LDA两种方法在不同电极数量下的肌电手势识别的准确率。最后得出结论,2种算法的手势识别率与肌电电极数量密切相关,根据电极数选择合适的分类算法。分析表明,该实验在减少电极数量情况下对手势识别算法的选择有重要意义。

基于局部抑制线性编码的图像快速识别方法

传统的图像识别方法如ScSPM、LLC都是在SIFT的基础上提取特征,忽略了人工特征的局限性,且单张图像识别耗时略长。考虑到这些不足,提出了一种基于局部抑制线性编码的图像快速识别方法。该方法首先直接利用局部抑制线性编码提取图像局部特征描述子;然后用线性空间金字塔匹配(LSPM)对特征描述子进行计算;最后将计算结果输入到线性支持向量机(LSVM)中进行训练和测试。在3个常用的图像数据集上的实验结果表明,该方法在类别不多的情况下具有很好的识别准确率,同时大大减少了单张图像识别耗时,从而验证了该方法在图像识别上的有效性。

分段线性光谱分类器的优化算法设计

快速准确地识别污染气体种类是光谱法环境监测技术对分类器的基本要求。分段线性分类器简单、计算量小,可以较好的逼近非线性分界面。文章根据最大化分类间隔的思想,结合分段线性分类器和线性支持向量机,设计了单边分段线性分类器优化算法。对某气体模拟剂光谱的分类实验表明,经过优化算法训练的分段线性分类器可以用较少的超平面逼近非线性分界面,而且得到更高的识别准确率。