基于模糊sigmoid核的支持向量机回归建模

支持向量机中对核函数的要求为对称的半正定矩阵.来自于神经网络的sigm o id核函数在其参数满足一定条件时才成为半正定矩阵,但是这种核函数在SVM中却有很多成功的应用.本文将sigm o id核函数与模糊逻辑相结合并使其模糊化,从而简化了SVM的计算并便于用硬件实现.通过对混沌时间序列预测以及图像去噪滤波器两个实例的实验研究发现,使用模糊sigm o id核函数可以使SVM回归建模在损失较小精度的代价下,较大地降低平均CPU执行时间。

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机(Proximal Support Vec-tor Machines,PSVM)算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。

基于修正Sigmoid核的成分数据缺失值填补法

大多数统计分析方法基于完整的数据集,这些方法不能直接用于包括缺失值的数据集.此外,由于成分数据的特殊属性,传统的缺失值插补方法直接用于这种类型的数据可能得到不良的结果.因此,对成分数据而言,缺失值的填补具有十分重要的意义.为了解决这个问题,根据核函数的性质,提出了一种基于修正Sigmoid核的成分数据缺失值非参数插补方法.该方法使用模拟和真实的数据集与k近邻插补法和最小二乘迭代回归插补法进行比较.实验结果表明,新的插补方法可以得到更准确的估计.

基于Sigmoid核函数的纺织品色差分类检测研究

颜色的自动检测分级是纺织、印染行业质量检测中的关键一环。为达到纺织品颜色的快速分级,根据人类视觉特性,提出了一种基于Sigmoid核函数的纺织品色差分类检测方法。该方法首先将采集的待测纺织品图像进行预处理操作,并将图像数据由RGB色彩空间转换至HSV色彩空间;其次对图像区域进行均匀分块,提取H、S、V分量值并采用加权和的方式计算待测纺织品与标准样品间的色差值ΔE;最后以ΔE作为特征向量,采用基于Sigmoid核函数的SVM分类器来实现纺织品颜色分级。通过色差检测系统分类实验验证该方法分类准确率较高,可以实现纺织品的色差检测分类。研究结果可为陶瓷、木材等其他行业的色差检测分类提供参考。

基于可控核双边滤波Retinex水下图像增强算法

为提高水下图像的成像质量,提出了一种基于可控核函数双边滤波Retinex算法的水下灰度图像增强方法。引入改进的Sigmoid函数,提升水下图像变换后的照度图像亮度,提出了一种可控核函数的双边滤波函数来估计图像的光照强度,克服了传统高斯函数存在的边缘模糊和光晕伪影问题,采用增益函数对照度估计图像进行了校正。结果表明提出的方法符合人眼视觉特性,能有效提升水下图像的对比度和清晰度。

木屑气化过程LS-SVM模型改进及优化

用Sigmoid核函数替换了文献[1]模型中的高斯径向基(RBF)核函数,对文献[1]中的木屑气化过程LS-SVM模型做了改进。在建模基础上,分别用遗传算法(GA)和粒子群算法(PSO)对木屑气化过程进行优化计算。优化结果表明,以Sigmoid核函数建立的模型对分别采用K2CO3和Na2CO3催化剂时木屑气化过程拟合的平均相对误差(1.099 7%和1.094 3%)小于文献[1]模型拟合的平均相对误差(1.788 3%和1.38%);当木屑气化温度和催化剂添加量取优化值时,气体产率、气体热值、气化效率均达到最大值。

数据与模型驱动的水泥生料分解率软测量模型

水泥生料在分解炉内分解过程的质量指标是生料分解率(Raw meal decomposition ratio, RMDR),由于生料边界条件频繁变化且人工离线检测周期为2小时,致使产品质量指标合格率低且极易造成预热器C5下料管堵塞.为了解决上述问题,本文提出了基于数据与模型驱动的水泥生料分解率软测量模型,由基于Kullback-Leibler (KL)散度密度比的异常值检测、基于机理模型的生料分解率模型、基于层级Sigmoid (S)核函数的生料分解率模型、生料分解率离线检测模型和基于模糊模型的协调因子组成.实际应用结果表明,所提出的模型能够根据当前工况的变化选择正确的子模型,并且使生产远离故障工况.