SVM神经网络在葡萄质量评价中的应用

随着葡萄酒需求的大量增加,葡萄酒的质量受到了越来越多的关注。一般地,葡萄酒质量采用感官品尝的结果来评定,但是它经常受到多种因素的影响,同时葡萄酒的质量又没有统一的标准,因此葡萄酒的质量评价体系的建立亟待解决,而酿酒葡萄的质量直接决定了葡萄酒的质量。就葡萄的理化指标与葡萄质量之间的关系展开了分析,并建立了以酿酒葡萄理化指标的主成分为输入,酿酒葡萄的质量等级为输出的多输入单输出的SVM神经网络专家模型,实现了酿酒葡萄质量的智能分类。结合专家打分的结果可以看出,该模型的分类效果比较理想。

基于粒子群优化算法的SVM神经网络在海底底质分类中的应用

针对海底质地的特点,利用底质图像的灰度纹理共生矩阵和灰度均值作为特征参数,采用粒子群优化算法训练支持向量机的神经网络(SVM),对海底底质图像进行自动分类。本文以海底侧扫声纳图像为例,通过实测数据验算,取得了理想的效果。

基于t假设检验及SVM神经网络的卷烟真伪判定

为了提高物理指标鉴定卷烟真伪的可靠性,基于t假设检验和SVM神经网络,提出了一种利用卷烟物理指标鉴定卷烟真伪的模式识别模型。以卷烟库中随机选取的某品牌卷烟为例,采用该模型进行了卷烟真伪判定。判定结果显示:通过基于总通风率、滤嘴通风率及硬度3个物理指标的SVM神经网络分类预测模型,对示例卷烟的44个真假烟样本进行鉴别,正确率约为95%。说明基于t假设检验及SVM神经网络的模式分类方法可以进行卷烟真伪鉴别。

基于SVM的LF精炼炉成分预报模型的研究

炼钢精炼环节存在许多非线性因素,直接影响最终成品钢的成分。以实际数据为基础,运用传统经验公式法和SVM网络分别建立LF精炼炉终点成分预测模型,并对其预测效果进行比较,实践证明了SVM网络预测模型的准确性和实用性。

有监督Kohonen网络的车型识别方法

车型识别已成为智能交通系统研究中的一个重要内容。根据同类车型尺寸特征如长、宽、高特征值都具有相似性特点,利用已有车型数据库,分别使用逆传播(BP)神经网络、支持向量机(SVM)网络、有监督Kohonen网络这三种神经网络分类方法对车型尺寸特征进行分类,得到三个车型识别准确率并进行比较验证。实验结果表明:有监督Kohonen网络的分类方法具有较高的车型识别精度,实验效果明显,车型识别准确率高。

基于SVM的建筑学专业学生综合设计潜力评价

影响高校建筑学专业本科毕业生综合设计潜力的因素较多,涉及面广且关系复杂,具有隐性与显性难以精确划分,定性与定量并存等特点。由于是新兴的研究课题,缺乏长期和大量的数据积累。选择被广泛应用在小样本、非线性及高维数据的SVM神经网络分析系统,利用MATLAB软件和Libsvm工具箱,对建筑学专业本科毕业生综合设计潜力进行建构和综合评价。研究显示该方法较为简洁易用,评价结果也较为客观准确。

基于灰色关联分析的注塑工艺多目标优化及PSO–SVM预测模型的建立

针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。

神经网络与模糊C均值在烟料替换中的应用

针对各烟草企业在叶组配方设计时仍使用国家分类标准,结合专家经验来选择烟叶原料,此方法未考虑烟叶内在质量及理化特性。提出了一种应用神经网络技术与模糊数学相结合的烟叶原料分类替换方案。对烟叶样本集的具体理化特性加权后,采用Support Vector Machines(SVM)神经网络将样本集分成专家经验集和未知分类集,再对两类样本集各自采用Self-Organizing Feature Map(SOM)神经网络聚类。对于聚类后存在的三样本集问题,采用Fuzzy Center Means(FCM模糊C均值)法找出其最佳替代原料。结果表明此方法比传统分类方法具有更好的灵活性与适应性,是一种研究烟叶原料替换的有效方法。

基于AI的智能交换功能拉杆箱设计

本文基于SVM网络设计出一种AI智能交换功能拉杆箱。拉杆箱主要包括蓝牙把握模块、usb接口模块、tf/sd接口模块、数据传输模块、把握处理模块、aux输入模块、话筒拾取模块、耳机模块、扩声模块、喇叭模块、遥控语音装置主要组件,通过SVM组件实现其具体功能。经过10000次的测试,拉杆箱的全部功能可满足100%的合格率要求。因此,基于AI的智能化交换功能的拉杆箱设计是一种反应速度快、运算结果准确,能够充分实现用户功能的产品。

基于SVM神经网络的高校科研能力评价模型构建

利用SVM神经网络的原理,建立SVM评估模型并在MATLAB中进行仿真,得出的测试结果与某机构的评价分析结果吻合,从而实现对高校科研能力的评估,为评价模型的广泛应用提供新的思路和方法。

支持向量回归机在物价预测上的应用

把时间序列SVM预测模型应用于物价指数的预测,采用逐步递归的方法进行,同时注意尽量减少训练样本的浪费和充分挖掘SVM模型适合短期预测的潜力。分析结果表明,无论是拟合情况,还是预测值的检验和物价指数的实际规律来看,都有很高的精度,可以作为物价指数预测的一种行之有效的方法。

上海市夏季高架道路边颗粒物垂直分布研究

为研究夏季高架路边颗粒物浓度的垂直分布规律,以上海市南北高架交叉处路边垂直区域为研究对象,通过Fluke 985粒子计数器采集颗粒物数量浓度数据。分析了6种直径范围颗粒物（0.3-0.49μm、0.5-0.99μm、1-1.99μm、2-4.99μm、5-9.99μm、≥10μm）在高架路垂直区域的分布规律,并结合微观尺度下的交通、气象、高度等数据建立了逐步回归和SVM神经网络预测模型。结果表明：在高架路边的垂直方向上,随高度增加,6种颗粒物浓度整体呈现下降的趋势;0.3-0.49μm、0.5-0.99μm、1-1.99μm三种颗粒物浓度受高架桥带来的＂盖子效应＂影响,在距离地面约21 m高的7楼达到最大值;总体上早高峰颗粒物浓度大于晚高峰,工作日颗粒物浓度高于非工作日;SVM神经网络模型比线性逐步回归模型能更好地预测高架路边颗粒物的垂直分布规律,可作为上海市夏季非降水天气高架桥面附近颗粒物浓度预测的方法。

Learning control of nonhonolomic robot based on support vector machine

A learning controller of nonhonolomic robot in real-time based on support vector machine(SVM)is presented.The controller includes two parts:one is kinematic controller based on nonlinear law,and the other is dynamic controller based on SVM.The kinematic controller is aimed to provide desired velocity which can make the steering system stable.The dynamic controller is aimed to transform the desired velocity to control torque.The parameters of the dynamic system of the robot are estimated through SVM learning algorithm according to the training data of sliding windows in real time.The proposed controller can adapt to the changes in the robot model and uncertainties in the environment.Compared with artificial neural network(ANN)controller,SVM controller can converge to the reference trajectory more quickly and the tracking error is smaller.The simulation results verify the effectiveness of the method proposed.

深度学习耦合粒子群优化SVM的瓦斯浓度预测

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。