Gaussian小波SVM及其混沌时间序列预测

为了提高混沌时间序列的预测精度,针对小波有利于信号细微特征提取的优点,结合小波技术和SVM的核函数方法,提出基于Gaussian小波SVM的混沌时间序列预测模型。证明了偶数阶Gaussian小波函数满足SVM平移不变核条件,并构建相应的Gaussian小波SVM。对混沌时间序列进行相空间重构,将重构相空间中的向量作为SVM的输入参量。用Gaussian小波SVM与常用的径向基SVM及Morlet小波SVM进行对比实验,通过对Chens混沌时间序列和负荷混沌时间序列的预测,结果表明,Gaussian小波SVM的效果比其他两种SVM更好。

复Gaussian小波核函数及多参数同步优化策略

对复Gauss-ian小波满足M ercy条件及其在H ilbert空间具有再生性的命题作了证明.用复Gauss-ian小波构建出一种核函数,与主成分分析方法相结合,对非线性非平稳信号进行参数辨识和预测.针对多参数模型优化时间过长,不利于工程应用的问题,提出了一种多参数同步优化策略.仿真实验验证了该方法的可行性和有效性,表明该方法具有较好的实用价值.

复高斯小波核函数的支持向量机研究

针对基于常用核函数的支持向量机在非线性系统参数辨识及预测方面的不足之处,构建了一种新的核函数——复高斯小波函数核函数。首先证明了新构建的核函数的正确性,即满足Mercy条件,表明其可以作为核函数;然后构建基于该核函数的支持向量机,并将该支持向量机用于非线性系统的辨识和未知部分的预测。通过与常用核函数构建的支持向量机的仿真结果进行对比,验证了该方法的正确性和有效性。

高斯小波支持向量机的研究

证明了偶数阶高斯小波函数满足支持向量机的平移不变核函数条件.应用小波核函数建立了相应的高斯小波支持向量机,并且使用云遗传算法对支持向量机及其核函数的参数进行优化.用该算法与常用的高斯核和Morlet小波核支持向量机进行对比实验.通过对非线性函数的逼近和电力系统短期负荷的预测,验证了该算法的有效性和优越性,表明其具有一定的实用价值.

基于小波支持向量机的电梯交通流预测模型

考虑到电梯交通流本身所存在的非线性、复杂性和随机性,提出了一种基于小波支持向量机的电梯交通流预测模型。该方法采用某大厦实测的4周交通流数据,以前三周统计的交通流时间序列构成训练样本对预测模型进行训练,后一周的交通流时间序列作为测试样本。仿真实例验证了该模型在精度、训练时间、泛化能力、最优性等方面取得了较好的效果。

一种基于提升小波的快速图像融合算法

提出了一种基于提升小波变换的快速多聚焦图像融合方法。首先利用提升小波算法将原始图像分解为四个子带:LLLHHLHH后将代表三个方向高频细节子带LHHLHH采用提升小波反变换,以获得各方向子带的高频细节图像,采用高斯核权重算法计算所得到的高频细节图像的非均匀加权区域能量,再根据基于能量的图像融合规则得到最终融合图像。对比了几种多聚焦图像融合方案的性能,实验结果表明,在融合效果相当的情况下,文中方法比现有方法在处理速度上有明显的优势。

基于多尺度核函数的铆接件腐蚀疲劳预测

目前腐蚀疲劳破坏预测方法精度不高。提出基于小波多分辨分析法(MRA),在再生核希尔伯特空间构建一种多尺度核函数的最小二乘支持向量机(multi-scale kernel LSSVM,MSK_LSSVM)预测算法。根据Mercer平移不变核定理,构造了多尺度复Gaussian小波核函数。由于多尺度核函数能够通过平移生成L2(R2)子空间的一组完备基,因此MSK_LSSVM可以任意逼近目标函数,更具灵活性。经仿真实验验证,与BP神经网络方法、标准支持向量机、灰色系统预测模型方法对比,机械结构中铆接件腐蚀变化的趋势通过MSK_LSSVM预测,准确率高、时间短。

基于Gabor小波变换与K-L高斯黎曼流形判别的人脸识别

针对图像集人脸识别中的子空间模型限制,结合Gabor小波变换与K-L高斯黎曼流形判别,提出一种新的图像集人脸识别方法。通过Gabor小波变换表征图像集中人脸图像的特征向量,利用混合高斯模型中带有先验概率的高斯分量表示每个图像数据集,采用可信的K-L概率核函数表示高斯分量间的不同距离,通过加权核判别分析最大化高斯分布间的间距,获取底层数据分布。实验结果表明,与基于线性仿射子空间、基于非线性流形和基于统计模型的方法相比,该方法在YTC和COX数据库上的识别率较高,在YTF数据库上的ROC曲线面积达到85.91,表现最优。测试和训练时间比较结果也表明该方法更适合应用于离线图像集人脸识别系统。

基于深度分解的非平稳非高斯过程多步预测

首先,综合运用小波包分解(wavelet packet decomposition,简称WPD)、样本熵、单位根检验法和变分模态分解(variational mode decomposition,简称VMD),提出利用混合深度分解(hybrid deep decomposition,简称HDD)对非平稳非高斯过程进行处理,降低实测风速风压复杂性,提升其可预测性;其次,根据Mercer定理构造了Morlet+Hermite(MH)线性组合核函数,使其具有局部多分辨性和全局泛化性的优点,采用粒子群算法(particle swarm optimization,简称PSO)对MH核进行参数优化,结合最小二乘支持向量机(least square support vector machine,简称LSSVM)建立HDD-MH-LSSVM多步预测模型;然后,将该模型与常用核函数构成的HDD-Poly-LSSVM,HDD-径向基函数(radial basis function,简称RBF)-LSSVM多步预测模型以及极限学习机(extreme learning machine,简称ELM)多步预测模型形成对比;最后,采用下击暴流风速和台风天大跨膜结构表面实测风压进行大步数多步预测验证。结果表明,HDD-MH-LSSVM预测算法预测精度高、稳定性好、通用性强。

基于支持向量机的多因素话务量预测研究

提高移动通信话务量的预测精度对提高网络性能、增进用户体验具有重要意义。由于多种因素会影响到移动通信话务量的准确预测,故选择多因素灰色话务量预测模型来预测话务量。先对数据进行预处理,用关联分析法找到影响话务量预测的主要因素。但此模型对波动较大的数据预测精度较低,用支持向量机的模型来改善预测结果,选取拥有较强的敛散性和全局寻优能力的复高斯小波核函数优化向量机。从仿真结果可以看出该模型有更好的收敛作用和较为理想的预测效果。

基于多尺度排列组合熵的助行机器人运动相容性识别

背景:目前因受到后天环境影响或由于身体功能的退化,下肢肢体运动能力损伤老年人数目持续增长,而老年人下肢肢体运动能力的下降,使得下肢助行机器人的设计与研发成为了当下社会养老护理的重点之一。目的:当助行机器人的运动轨迹与人体期望运动轨迹不一致时,为实现助行机器人可自适应调整,对穿戴助行机器人出现步幅过大不相容、步幅过小不相容及步幅相容3种人-机运动相容性进行模式识别。方法:针对表面肌电信号的非线性、噪声强等特点,提出一种基于小波分解的多尺度排列组合熵方法,对人-机运动相容性的3种情况(步幅过大不相容、步幅过小不相容及步幅相容)进行模式识别。首先,对采集到的表面肌电信号进行小波分解;然后,对肌电信号的各个尺度求取排列组合熵;最后,利用高斯核支持向量机进行模式识别。结果与结论:经小波分解后,在d5尺度上的信号能取得较好的识别率,其中对步幅过大不相容的识别率为92%,步幅过小不相容的识别率为90%,步幅相容的识别率为94%,平均识别率为92%,比原始肌电信号的平均识别率高出了4.67%,且相较于其他常用的多尺度方式也能取得更好的效果。所以在人-机运动相容性识别中,可以将表面肌电信号进行小波分解后提取各尺度上的排列组合熵,有助于提高识别精度。