基于支持向量机(SVM)的工业过程辨识

将支持向量机应用到典型的时变、非线性工业过程——连续搅拌反应釜的辨识中，并与BP神经网络建模相比较，仿真结果表明了支持向量机的有效性与优越性．支持向量机以其出色的学习能力为工业过程的辨识提出了一种新的途径。     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于涡流搜索算法的过程支持向量回归机模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理的问题, 提出了一种用于时间序列预测 的过程支持向量回归模型, 采用涡流搜索算法优化选择模型参数, 采用 UCI(University of California Irvine)数据 库的空气质量数据集和比利时 SIDC(Solar Influences Data Analysis Center)的太阳黑子数据进行仿真实验。 实验 结果表明, 该模型预测结果均优于粒子群过程支持向量回归机和支持向量回归机的预测结果, 具有较好的预测 能力。     

基于支持向量机的CSTR系统建模

支持向量机算法用于软测量建模能较好地解决小样本、非线性、高维数、局部极值等问题．本文的研究重点在于支持向量机方法在化工过程中的应用。用支持向量机为CSTR系统建立模型,分析了模型参数对模型性能的影响,同时,通过两个参数在不同值之间两两组合比较所得的误差,最终得到误差最小的参数值,从而使模型能够自动调整参数到最优值。实验结果表明支持向量机方法是一种高效可行的化工过程建模方法,模型精确,泛化能力强,性能优良。     

利用支持向量机的摩擦模型参数辨识

以Tustin摩擦模型为参数辨识对象,提出一种基于支持向量机算法的摩擦模型参数辨识的方法.构建训练样本并选取适当的支持向量机模型,选择具有较好泛化能力的径向基核函数和具有稀疏性特点的ε不敏感损失函数,以求解最优化问题,得到最优解.以某直流电机高精度位置伺服系统为对象,用辨识得到的参数估计值设计摩擦力矩的补偿环节,对系统进行补偿,仿真结果表明,算法的辨识精度比较高.     

基于支持向量机灵敏度的轧制过程厚度控制

利用支持向量机(SVM)建立非线性轧制力模型,由模型分别对各个输人变量进行偏微分解决轧制过程模型"代数环"问题,获得轧制过程出口厚度灵敏度系数,并建立基于灵敏度的轧制过程增量线性模型.由所建立基于灵敏度的轧制过程线性模型作为轧制过程内模估计实现内模控制,用于预测轧机出口厚度的变化,消除由传感器检测厚度所产生的纯滞后的不利影响,缩短过渡过程.仿真结果表明,提出的控制方法比PID控制具有更快响应速度和更高控制精度.     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

基于支持向量机的轧制过程灵敏度分析

利用支持向量机(SVM)建立轧制力模型,并由该模型分别对各输入变量进行偏微分,以计算轧制过程出口厚度灵敏度系数,从而解决解析方法难以求解的轧制过程模型“代数环”问题．对轧机第一机架试验仿真,结果表明,基于SVM方法获得的灵敏度具有很高的精度,且由灵敏度确定的控制量可以获得很好的控制效果,同时也表明第一机架辊缝对出口厚度的影响比张力要大,以辊缝控制方式调节出口厚度比张力控制方式具有更高精度．     

支持向量机非线性系统模型辨识的研究

采用标准支持向量机(SVM),v-支持向量机,模糊支持向量机,充分发挥其可以任意逼近非线性模型的良好特性对非线性系统进行模型辨识,通过仿真试验表明SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力.     

基于支持向量回归机的船舶操纵响应模型辨识

通过对自航模变形Z形试验舵角与转艏角速度数据的分析,应用最小二乘支持向量回归机（Least Square Support Vector Regression,LS SVR）辨识了船舶操纵运动响应模型中的操纵性指数,并用回归得到的响应模型进行了变形Z形试验的数值模拟.通过将首向角和转艏角速度的预报结果与自航模试验数据进行比较,结果验证了该方法的有效性.     

基于T-S模糊模型的酸碱中和过程的系统辨识

针对pH中和过程存在非线性和大滞后性的特点,建立了基于协同GK模糊聚类的T-S模糊模型。将协同模糊聚类与GK相结合进行系统辨识,提高了聚类效果,使其前件和后件参数得到优化。利用上述方法建立了pH中和过程系统模型,取得了良好的仿真效果,验证了该算法的优越性和有效性。     

基于支持向量机的中文文本中地名识别

提出并实现了一种基于支持向量机(SVM)的中文文本中地名的自动识别方法.结合地名的特点,抽取单字本身、基于字的词性、是否在地名特征词表中及其上下文的信息作为向量的特性,并将其转化为二进制表示,在此基础上建立了训练集,并通过对多项式Kernel函数的测试,得到了用支持向量机进行地名识别的机器学习模型.实验表明,所建立的SVM地名识别模型是有效的,系统开式召回率和精确率分别达86.69% 和93.82%,F-值为90.12%.     

基于支持向量机的虹膜识别方法

首先利用虹膜处理系统对采集到的虹膜图像预处理,得到条形图像;然后利用主元分析方法(即PCA方法)进行特征提取,以达到降维的目的,得到的一个训练样本对应一个40维的向量;最后利用支持向量机使用序列最小优化算法进行虹膜识别,平均识别率达到了94.3%。结果表明,文中的方法取得了较好的效果,降低了训练时间,提高了训练效率。     

基于支持向量机的通信信号调制识别方法研究

支持向量机(Support Vector Machines简称SVMs)是基于统计学习理论的一种新的模式识别技术,它不仅结构简单,而且技术性能尤其是泛化能力明显提高。介绍了支持向量机为理论基础的通信信号调制识别方法。计算机仿真结果证实此方法的可行性。     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

基于支持向量机的多工艺方案综合评价算法

针对事先无法确定目标属性权重或隶属度一类多方案综合评价问题,提出了一种首先利用支持向量机的学习算法建立目标、综合属性的优化模型,再对多方案进行综合评价的算法.通过对"聚脂网生产工艺CAPP系统"应用表明,该算法不仅适用单件小批量生产,而且适用于大批量生产,具有较好的推广性.     

基于支撑矢量机的信源数估计

为了改善在低信噪比、小快拍、色噪声环境下盖氏圆准则信源数估计算法的估计性能,提出了基于支撑矢量机(SVM)的信源数估计算法.基于支撑矢量机的信源数估计算法应用天线阵列接收数据协方差矩阵经特征值分解后,噪声的特征矢量与天线阵列的阵列流型正交的特性,通过盖氏圆算法提取信号和噪声的分类特征,再构造和训练两类分类矢量机,将天线...     

基于不完全信息的One-class支持向量机

标准的单值支持向量(One-class SVM)机不能对含有不完全信息的输入样本进行学习分类.为此该文提出用区间数来对不完全输入信息进行描述,将不完全的信息输入扩展为区间向量形式,引入区间运算来取代原来分类函数中的运算,从而根据区间运算结果来对信息不完全的模式输入进行分类.使用该方法,在分类过程中能够充分利用区间表示的先验知识,同时也能够减少该过程中输入模式中的属性(特征)度量代价,理论分析和实验结果均表明该方法能最大程度地保证分类结果的一致性,是有效和可行的.     

基于支持向量机的模式识别方法

介绍了由Vapnik等人提出的统计学习理论和由此发展的支持向量机，分析了其应用前景和研究方向，两个算例表明，在模式识别领域中，采用支持向量机这一新方法，具有其他传统方法不可比拟的优势。