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KPCA和结构化支持向量机的视频目标跟踪

为了提高视频目标跟踪性能,采用结构化支持向量机用于视频目标跟踪,并借助核主成分分析用于视频目标特征降维及去冗余处,以增强视频目标分类适应度。首先,提取视频目标特征,经过核主成分分析映射至更利于目标分类的特征向量。接着,建立基于结构化支持向量机的视频目标判别分类模型,从而充分挖掘目标内数据特征的紧密性,有效提高了目标跟踪的精准率。最后,针对结构化支持向量机进行关键参数求解,并获得稳定的视频目标跟踪分类结果。根据分类结果判定对应的目标以完成视频目标跟踪。试验结果表明,对于4类公共视频数据集,对比其他3种视频跟踪算法,所提方法在跟踪精准率和跟踪速率等4个关键性能指标方面具有明显优势,在应对大规模视频目标跟踪时具有较强的适应度。

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。

结构化支持向量机研究综述

结构化支持向量机(Structural Support Vector Machine,SSVM)是支持向量机(Support Vector Machine,SVM)的变体算法,被广泛应用于多个领域。阐述了SSVM的发展过程,详细分析了SSVM各种具体实现算法的思想及表现上的优劣;并通过实验的对比讨论,发现了SSVM的各种具体实现算法在分类性能和分类效率上优于其他SVM算法,而在稳定性上则逊于后者;基于此,给出了SSVM的后续研究方向。

基于二值特征和结构化输出支持向量机的目标快速跟踪算法

复杂场景下基于判别式分类器的目标跟踪通常采用复杂的外观表示模型以提高跟踪精度,但影响了算法的实时性。为此,提出一种基于半色调的二值特征来描述目标的外观,在此基础上对结构化输出支持向量机(SVM)的核函数进行改进,实现了判别模型的快速更新和判别;同时提出一种基于分块匹配的判别模型更新策略,保证了跟踪过程中样本的可靠性。在Benchmark数据集上进行的测试实验中,与压缩跟踪(CT)算法、跟踪学习检测(TLD)算法和核化的结构化输出跟踪(Struck)算法相比,在跟踪速度上,该算法分别提高了0.2倍、4.6倍、5.7倍;在跟踪精度上,当重叠率阈值取0.6时,该算法的成功率达到0.62,而其他三种算法的成功率均在0.4以下,当位置误差阈值取10时,该算法的精度为0.72,而其他三种算法精度均小于0.5。实验结果表明该算法在发生光照变化、尺度变化、严重遮挡和突变运动等复杂情况下均具有很好的鲁棒性和实时性。

一种并行结构化支持向量机次梯度投影算法

支持向量机的次梯度投影算法是解决支持向量机优化求解问题的一种简单有效的迭代算法。该算法通过梯度下降和投影两个步骤的多轮迭代,找到两类最大间隔的分类面。针对该算法忽略了对寻找分类面同样有指导意义的样本分布信息这一问题,在分类器设计中融入结构信息,并且采用MapReduce并行计算框架,提出了一种并行结构化支持向量机的次梯度投影算法,该算法能够充分利用集群的计算和存储能力,适用于海量数据的优化问题。在NASA的两个软件模块缺陷度量数据集CM1和PC1上的实验结果表明,该算法能够加快收敛速度,提高分类性能,有效地解决海量数据的优化求解问题。

基于支持向量机的非结构化道路检测

机器视觉检测非结构化道路边缘的难点在于路面像素与非路面像素特征差异复杂。使用支持向量机分类算法实现了非结构化道路的边缘检测。算法引入感兴趣区域来消除环境噪声,并通过交叉验证方法优化了算法参数。最后在支持向量机的分类结果上使用霍夫变换提取道路边缘。Matlab实验证明算法具有很好的准确性和鲁棒性。

结构化加权最小二乘支持向量机

针对最小二乘支持向量机(LSSVM)没有考虑样例本身的结构信息和对异常点敏感,提出了一种新的分类器———结构化加权最小二乘支持向量机(SWLSSVM),SWLSSVM通过在目标函数中引入协方差矩阵考虑了样例的结构信息;为了减少异常点的影响,其根据本类样本点到该类中心的距离对误差项进行加权。实验表明,SWLSSVM与LSSVM和SVM相比具有更好的分类和泛化性能。

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。

改进遗传算法和支持向量机的岩体结构面聚类分析

岩体结构面控制着岩质边坡和地下洞室等岩体工程的稳定性,在岩体力学及水力学分析中起到关键作用。为对岩体结构面进行合理分组,精确地模拟岩体结构面网络的分布,提出一种融合改进遗传算法和支持向量机的聚类方法。首先,根据岩体结构面产状信息建立结构面分组的数学模型,采用改进的遗传算法计算结构面样本的全局最优聚类中心,再以聚类中心为训练样本,利用支持向量机方法将结构面样本进行完全划分。通过随机产生的结构面数据以及实际工程的运用表明,遗传-支持向量机聚类算法对岩体结构面的分组合理,获得的优势结构面结果可靠。

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。

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。

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm,SSA)优化支持向量机(support vector machine,SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。

基于支持向量机(SVM)的民用飞机重着陆智能诊断研究

针对国内航空公司对于重着陆的判断方法存在的不足,提出采用支持向量机(SVM)建立重着陆的智能诊断模型;分析对重着陆产生影响的相关因素,在力学基础上揭示了重着陆的产生原理;利用快速存取记录器中记录的多个飞行参数的信息,采用B737机型的实际样本数据进行训练和验证。结果表明:该方法能有效判断出是否发生重着陆,其准确率高达92.86%,证明该重着陆智能诊断方法具有较强实际应用价值,为后续研究奠定了基础。

基于支持向量机(SVM)的数字音频水印

提出了一种新的基于支持向量机(supportvectormachine,SVM)的数字音频水印算法.主要思想是在宿主音频中嵌入一段模板信息,定义模板信息与宿主音频之间的一种对应关系,将水印的检测问题转化为一个可用SVM处理的二分类问题,利用SVM对先验知识(对应关系)的学习,以达到对未知数字音频水印的正确分类检测.仿真实验结果表明,该数字音频水印具有较强的健壮性和不可感知性,在受到MP3压缩、低通滤波、重采样量化、噪声干扰等常用信号处理方法的处理后,能正确检测出水印,同时在水印检测时不需要原始音频,实现了水印的盲检测.

SOFC的支持向量机(SVM)辨识建模

为了便于固体氧化物燃料电池(SOFC)的性能预测和控制方案设计,提出一种基于支持向量机(SVM)的建模方法,用具有RBF核函数的SVM建立了SOFC电池堆的非线性模型。应用仿真对所建SVM模型的有效性和精度进行了检验,并与BPNN模型的辨识效果进行了比较。仿真结果证明与BPNN模型相比,SVM模型具有较高的建模精度。该SVM辨识模型的建立,对SOFC系统的控制策略研究具有一定的实用价值。