基于隐马尔科夫模型和支持向量机的曲面加工颤振识别与预报

针对曲面加工过程容易产生加工颤振而导致表面加工质量降低的问题,提出一种基于隐马尔科夫模型和支持向量机(HMM-SVM)的颤振早期识别与预报方法。首先,根据曲面加工颤振发展较快,孕育阶段时间短,难以与正常加工及颤振爆发阶段区分的现象,结合HMM模型有较强的相似性归类能力和SVM有较强的二类分类能力的特点,设计了基于HMM-SVM混合模型的颤振识别与预报系统;其次,应用加速度传感器采集曲面加工过程中刀具振动信号,完成反映加工状态的特征信号的获取;最后,利用HMM、HMM-SVM分别进行曲面加工状态识别试验,并进行结果分析与比较。试验结果表明:与单独使用HMM模型相比,基于HMM-SVM混合模型可以大大提高识别准确率,3种加工状态识别率均达95%以上,并具有较好的识别实时性,识别时间1.5s以内,可实现颤振快速识别与预报,为后续颤振抑制环节提供依据和保证。

基于隐马尔科夫模型和支持向量机的模拟电路早期故障诊断

针对模拟电路在故障预测与健康管理(PHM)系统中早期故障识别率不高的问题,提出了一种基于隐马尔科夫模型(HMM)和支持向量机(SVM)相结合的模拟电路故障诊断方法,利用HMM对动态连续信号的较强识别能力和SVM良好的模式分类能力解决模拟电路早期故障诊断问题;采用主成分分析(PCA)和K-means聚类算法对故障数据进行数据降维和特征提取,建立HMM与SVM相结合的诊断模型进行故障诊断;仿真实验表明,HMM-SVM能很好地识别模拟电路早期故障,并对模拟电路中元件小范围参数变化的状态识别,相较单一HMM模型具有更高的准确率。

基于支持向量机与隐马尔可夫模型的冲浪运动员动作识别研究

2016年8月,国际奥委会正式宣布冲浪运动成为东京奥运会正式比赛项目,给冲浪运动的发展带来了巨大机遇。动作识别作为人工智能技术赋能体育的重要应用,通过在时域上跟踪关键点运动以记录运动员的运动动作,并将其转换为数学方式表达运动过程,对于竞技训练和全民健身均具有重要意义。本研究采用惯性测量单元(IMU)采集数据样本,并通过支持向量机(SVM)模型和隐马尔可夫(HMM)模型两种机器学习方法对冲浪运动员动作识别的结果进行了比对。结果表明:SVM模型(精度83.4%)与HMM模型(精度91.4%)均能够有效地进行冲浪运动员的动作识别,但与SVM模型相比,HMM模型的分类精度更高。该算法实现了对冲浪过程中佩戴的IMU输入数据进行时变运动分类,为同步视频关联的非传统体育运动项目动作识别提供了一种新方法和新应用。

矿井涌水量的支持向量机-马尔科夫链预测模型

为准确预测矿井涌水量,将支持向量机理论与马尔科夫链理论相结合,构建了支持向量机—马尔科夫预报模型。支持向量机—马尔科夫预报模型是基于原始数据首先建立起支持向量机模型,得到的预测值通过马尔科夫状态概率转移矩阵预报的方法进行二次拟合,通过对一些指标进行分析,从而实现对预测结果进行改善。矿井涌水量的支持向量机—马尔科夫链预测模型进一步提高了对波动性影响较大的随机变量的预报精度。本次研究扩大了支持向量机预报模型的应用范围,同时对煤炭开采矿井涌水量预报具有重要意义。

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法。针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策。实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高。

基于隐马尔可夫链和支持向量机人脸识别混合模型的视频节目聚类标注

人脸在视频节目中代表了重要语义信息 ,提出使用支持向量机和隐马尔可夫链混合模型对人脸进行识别 ,然后把识别结果进行高斯聚类 ,实现视频节目的内容标注 .具体步骤如下 :首先建立人脸肤色模型 ,对视频图像中可能的人脸区域进行定位 ;从定位区域提取人脸各个器官的独立基特征 ,然后使用支持向量机和隐马尔可夫链混合模型对定位区域进行人脸识别 。

基于马尔可夫模型和支持向量机的JPEG图像隐写分析

提出了一种新的针对JPEG图像的通用隐写分析方法,利用马尔可夫模型,挖掘量化后的分块DCT系数中低频系数的相关性,提取出360维特征,然后采用支持向量机(SVM)分类方法进行识别。对四种公认的安全性较高的JPEG嵌入方法F5、Outguess、MB1和MB2进行隐写分析。在CorelDraw图像库的实验结果显示:该方法的检出率高、稳定性好且运算速度快。

最小二乘隐空间支持向量机

在隐空间中采用最小二乘损失函数,提出了最小二乘隐空间支持向量机(LSHSSVMs).同隐空间支持向量机(HSSVMs)一样,最小二乘隐空间支持向量机不需要核函数满足正定条件,从而扩展了支持向量机核函数的选择范围.由于采用了最小二乘损失函数,最小二乘隐空间支持向量机产生的优化问题为无约束凸二次规划,这比隐空间支持向量机产生的约束凸二次规划更易求解.仿真实验结果表明所提算法在计算时间和推广能力上较隐空间支持向量机存在一定的优势.

基于隐马尔可夫模型和支持向量机的地图匹配算法

综合采用隐马尔可夫模型(HMM)和支持向量机算法(SVM),提出一种基于隐马尔科夫模型(HMM)优化的地图匹配算法。引入机器学习方法,利用支持向量机(SVM)算法对基于隐马尔可夫模型的地图匹配算法进行了优化,使用机器学习方法SVM训练状态转移矩阵,提高了状态转移概率的准确性。提出基于多重因素权重(距离、速度和方向)计算观测概率的方法,同时考虑了路段的宽度信息,提高了地图匹配的匹配精确度。基于真实数据对算法进行验证,与原始HMM算法相比,文中提出的优化算法在提高匹配精确度方面具有较好的效果,符合估计城市路径行程时间的数据需求。

基于增益的隐马尔科夫模型的文本组块分析

本文提出一种基于增益的隐马尔科夫模型(Transductive HMM)的方法,用于文本组块(Text Chunking)分析的研究。该方法将一些上下文信息导入隐马尔科夫模型(HMM),构造增益的隐马尔科夫模型(TransductiveHMM)。该模型不需要修改标准的隐马尔科夫模型的训练和标注过程,只需要对训练语料根据导入的上下文信息进行相应的转换。实验结果显示,该方法在文本组块分析方面是有效的。

基于位平面统计相关的支持向量机图像隐写分析算法

随着隐写技术的发展,隐写分析引起了越来越多研究人员的关注。通过对隐写前后图像位平面的相关性分析,提出一种空域LSB通用隐写分析算法。该算法只使用了32个特征统计量,具有较低的计算复杂度。实验结果表明,此算法对嵌入消息长度小于0 3bpp的载密图像的检测准确率超过90%,多次实验也表明此算法具有很好的稳定性。

基于最小二乘隐空间支持向量机的IDS检测算法的设计

在基于支持向量机的基础上,提出一种新的利用最小二乘隐空间支持向量机设计IDS的检测算法,解决了网络入侵检测系统中检测算法的分类精度不高、训练样本数需要较多,及训练学习时间较长等问题.仿真实验结果表明,本算法较基于支持向量机的检测算法具有更快的收敛性、更快的迭代速度、更高的检测精度和更低的误报率.

粒子群优化的隐空间光滑支持向量机算法

针对隐空间支持向量机求解约束凸二次规划存在训练时间长、计算复杂的问题,提出粒子群优化的隐空间光滑支持向量机算法(PSO-HSSSVM)。该算法通过隐函数将训练样本映射至隐空间,且对隐函数没有正定性限制;在隐空间中以熵函数近似松弛向量的加函数,导出光滑可微的无约束凸二次规划;引入共轭梯度法求解光滑模型,并采用粒子群优化算法选取最优参数。数值实验表明,PSO-HSSSVM算法可拓宽光滑支持向量机的核函数范围,而其训练精度和训练时间与光滑支持向量机的相当;PSO-HSSSVM算法可将隐空间支持向量机的训练精度提高2.14%,而其训练时间仅为隐空间支持向量机的9.5%。

基于模糊C均值聚类与单类支持向量机的音频隐写分析方法

针对传统的二分类音频隐写分析方法对未知隐写方法的适应性较差的问题,提出了一种基于模糊C均值(FCM)聚类与单类支持向量机(OC-SVM)的音频隐写分析方法。在训练过程中,首先对训练音频进行特征提取,包括短时傅里叶变换(STFT)频谱的统计特征和基于音频质量测度的特征,然后对所提取的特征进行FCM聚类得到C个聚类,最后送入多个超球面的OC-SVM分类器进行训练;检测过程中,对测试音频进行特征提取,根据多个超球面OC-SVM分类器的边界对待测音频进行检测。实验结果表明,该隐写分析方法对于几种典型的音频隐写方法能够较为正确地检测,满容量嵌入时,测试音频的总体检测率达到85.1%,与K-means聚类方法相比,所提方法的检测正确率提高了至少2%。该隐写分析方法比二分类的隐写分析方法更具有通用性,更适用于隐写方法事先未知情况下的隐写音频的检测。

基于支持向量机的文本隐写分析

通过对自然文本统计模型和特性的分析,指出隐藏消息后可能对文本统计特性带来的变化,提出基于支持向量机的通用检测算法。将文本的5个基本统计特征量作为分类特征向量,采用支持向量机对自然文本和载密文本进行有效分类检测。实验结果证明,该算法具有较好的适用性和可靠性。

基于改进支持向量机的高维隐写盲检测方法

针对高维大样本空间中支持向量机(SVM)存在计算复杂度高、分类精度低等问题,在随机子空间方法与主成分分析方法的基础上,提出一种特征加权支持向量机的高维隐写盲检测方法。通过随机子空间对原始高维样本的特征空间进行随机采样,产生多个低维的特征子集,在特征子集中采用主成分分析法进行特征提取,并利用卡方统计计算特征权重,运用特征加权核函数训练各基SVM分类器,并用多数投票法融合各基分类器结果得到最终分类结果。对HUGO隐写算法的实验结果表明,该方法能有效降低SVM计算复杂度,与传统方法相比,具有较高的隐写检测率和更快的分类速度。

利用隐空间支持向量机设计IDS的检测算法

为解决网络入侵检测系统中检测算法分类精度不高训练样本数需要较多以及训练学习时间较长等问题,在基于支持向量机的基础上,提出一种新的利用隐空间支持向量机设计IDS的检测算法。仿真实验结果表明本算法较基于支持向量机的检测算法具有更良好的泛化性能,更快的迭代速度,更高的检测精度和更低的误报率。

基于改进的共轭梯度算法实现的最小二乘隐空间支持向量机

本文研究了最小二乘隐空间支持向量机的优化问题.文中采用基于对称超松弛预处理技术改进共轭梯度算法,改进的共轭梯度算法只需求解一个阶数为l-1的线性代数方程组即可,大大节省了计算时间.最后将其应用于最小二乘隐空间支持向量机中建立数学模型,并通过实例验证了该算法的优越性.

基于改进的共轭梯度算法实现的最小二乘隐空间支持向量机

本文研究了最小二乘隐空间支持向量机的优化问题。文中采用基于对称超松弛预处理技术改进共轭梯度算法,改进的共轭梯度算法只需求解一个阶数为l-1的线性代数方程组即可,大大节省了计算时间。最后将其应用于最小二乘隐空间支持向量机中建立数学模型,并通过实例验证了该算法的优越性。

基于优化特征加权支持向量机的隐写分析方法

为解决当前隐写分析中存在的特征选取维数过高、独立性较差的问题,提出了一种新的基于降维处理的特征加权的支持向量机隐写分析方法。采用主成分分析及信息增益算法进行特征优化及特征加权,然后提出一种新的支持向量机分类器——优化特征加权支持向量机。通过与目前隐写分析中广泛使用的C-SVM分类器进行对比实验,结果表明,该方法能够有效降低分析算法的时间复杂度,具有高效的隐秘检测能力。