基于非线性核脊回归算法的海洋微生物发酵参数软测量

针对海洋微生物溶菌酶发酵工艺中参数实时测量,采用根据发酵过程中主辅变量关系的相关灵敏度矩阵绝对值最大元素排序选择辅助变量,运用非线性核脊回归(NKRR)算法预测主导参数的软测量方法。相关灵敏度矩阵反映主辅变量联系,根据发酵实际实验得到。改进直接优化的非线性核脊回归算法辨识发酵非线性系统,将空间Rn中主导变量和辅助变量非线性函数映射关系转化为空间H中的线性划分,运用M ercer条件的核函数求解回归方程,避免直接计算变量映射函数及其内积。通过仿真研究和比对SVM、径向基神经网络(RBFNN)两种算法的实际运行结果表明,该软测量方法具有较好的泛化性能,实时性和准确性可以满足要求。

基于核局部线性嵌入算法的图像去噪方法

利用局部线性嵌入算法进行图像去噪时,如果局部近邻样本呈现非线性关系,图像去噪效果会受到影响。针对该问题,提出基于核局部线性嵌入算法的图像去噪方法。通过非线性核函数将样本映射到高维线性空间,在高维空间运用局部线性嵌入算法进行图像去噪。实验结果表明,该方法能有效地对高维非线性图像进行去噪,性能优于中值滤波算法和局部线性嵌入算法。

基于支持向量机与k-近邻的工件表面缺陷识别算法

为了解决当前工件表面粗糙与缺陷特征相近的情况导致算法识别不准确的问题,以模式识别为切入点,分别从支持向量机与k最近邻的两个强分类器出发,提出了基于支持向量机与k最近邻的工件图像表面缺陷识别算法。首先,通过4种算法核,线性算法核、多项式算法核、径向算法核和Sigmoid算法核,设计出支持向量机分类算子,达到精准识别的目的。然后,在支持向量机识别的基础上,继续训练学习样本,通过分类误差最小化法则,进一步精确识别工件缺陷,形成k最近邻分类器。最后,基于软件开发环境Visual Studio实现算法,并系统集成。实验测试结果显示,与当前工件缺陷识别技术相比,本文算法拥有更高的准确性。

基于机器学习的云存储数据分段聚类方法仿真

针对传统的云存储数据分段聚类方法存在运行效率较低、聚类结果不够平滑等问题,提出一种基于机器学习的云存储数据分段聚类方法。从云存储数据库中合理抽取多个小数据集,小数据集包含云存储数据库中的所有自然簇,根据相似度定义构建相似度矩阵。采用非线性核主成分算法实现对相似度矩阵中数据相似度的测度,通过相似度测度将具有相同特征的数据归为一类,采用混合高斯分布概率密度模型计算不同类别数据的后验概率,通过对概率大小的比较实现云存储数据分段聚类。实验结果证明,所提方法能够缩短聚类运行时间,将聚类变化度降低到29%,有效提高了聚类结果的平滑度。

Nonlinear correction of photoelectric displacement sensor based on least square support vector machine

A model of correcting the nonlinear error of photoelectric displacement sensor was established based on the least square support vector machine.The parameters of the correcting nonlinear model,such as penalty factor and kernel parameter,were optimized by chaos genetic algorithm.And the nonlinear correction of photoelectric displacement sensor based on least square support vector machine was applied.The application results reveal that error of photoelectric displacement sensor is less than 1.5%,which is rather satisfactory for nonlinear correction of photoelectric displacement sensor.