一种基于支持向量机的点云建模算法

分析了点云建模的特点,将基于统计学习理论的支持向量机引入该领域。首先提取点云数据中的强特征,采用支持向量回归机构建轮廓;然后在轮廓形成的不同区域分别提取弱特征,用回归的方式逐步重构区域纹理,从而得到整个物体的表面表达。理论分析和实验结果表明该方法的精度和处理速度优于人工神经网络,具有一定的实用性,为点云建模研究提供了一种新的思路。     

基于加权最小二乘支持向量机的温室小气候建模与仿真

分析了温室小气候系统结构,采用加权最小二乘支持向量机回归方法在线建立温室小气候模型,并进行仿真研究,取得了较好的效果.最小二乘支持向量机中引入加权因子,使其回归估计对非高斯分布噪声及野点数据具有较好的鲁棒性.最后将此方法和带有智能监督级的渐消记忆递推增广最小二乘方法的在线建模及仿真结果进行了对比分析.     

区间型时间序列数据的点预测方法研究

区间型时间序列数据大量存在,但在时序数据的预测方法中,对这种类型的数据进行点预测没有相关研究。借助支持向量机(SVM),在区间时间序列数据回归算法的基础上,通过区间数据相空间重构,建立了时间序列的支持向量区间预测SVIP方法。在实验仿真环节中,通过两个仿真实例验证了该方法的良好性能,同时与采用Elman神经网络方法的预测结果进行了分析比较,说明了SVIP方法的优点。     

基于支持向量机的混沌时间序列非线性预测

提出一种新的应用支持向量机回归原理的混沌时间序列非线性预测方法,同时利用自适应的方法对支持向量机的参数进行优化.仿真结果显示支持向量机具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度,同时还讨论了支持向量机中参数以及嵌入维数的变化对泛化误差的影响,得出的结论与统计学习理论中的VC维理论相一致.     

支持向量回归机预测误差校正方法

针对传统的ε不敏感支持向量回归机(ε insensitive support vector regression, ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种εSVR预测误差校正方法。该方法以期望预测值与εSVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(εtube)宽度为约束条件,通过利用高维特征空间中εtube边界上和边界外的局部支持向量对εSVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的εSVR相比,该文方法具有更高的预测精度和更强的泛化能力。     

基于v-支持向量回归机的盲均衡算法

盲均衡可以看作模式分类问题,每一类由信源字符表的可能输出定义.由于支持向量回归机具有优良的泛化性能,提出了一种基于v-支持向量回归机的盲均衡算法,并且利用加权最小二乘方法求解v-支持向量回归机.计算机仿真结果表明提出的盲均衡算法具有计算复杂度低、适于实际应用的特点.     

SVR在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。将支持向量回归算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，支持向量回归方法具有很好的泛化能力和一定的噪声容忍能力。     

基于支持向量机与概率输出网的深度学习模型

本文提出了基于支持向量机与概率输出网络的深度学习回归模型.该回归模型利用深度学习的深层结构,以及支持向量机的泛化能力、概率输出网络中的条件概率估计特点,建立了多层支持向量机的深度学习结构,避免了深度学习的参数选择问题.其中核参数的选择域呈网格状,通过求取输出对应β分布的累积概率分布和经验累积概率分布的K-S检验,求取一致性的p值最大对应的核参数作为支持向量机模型的核参数.对应的输出为模型提取的特征,作为下一层的输入,直至模型达到结束条件为止.仿真实验通过三个标准的回归数据集证明了本文提出模型的有效性.     

基于GA优化小波LS-SVR的惯性器件故障预报

为了提高最小二乘支持向量回归机的性能,将Morlet小波核函数引入其中,形成了最小二乘小波支持向量回归机模型。利用待优化的参数重构模型的目标函数和约束条件,并在此基础上通过遗传算法进行参数选择,从而提高了该模型的泛化能力。将最小二乘小波支持向量回归机应用于导弹陀螺仪的漂移趋势预测,仿真实验结果表明了该方法的有效性和可行性,因此可以为陀螺仪的故障预报、可靠性辅助决策提供依据。     

模糊偏最小二乘支持向量机的应用研究

基于偏最小二乘回归法和模糊隶属度函数,提出了一种模糊偏最小二乘支持向量机.传统最小二乘支持向量机引入模糊加权系数后,可以根据训练样本点的情况调整折衷系数,有效地提高了最小二乘支持向量机的抗噪性能.同时利用偏最小二乘回归法,克服了求解线性回归方程中自变量向量间的多重相关性问题.利用 sinc 函数对该建模方法进行了测试,并进一步对铜转炉吹炼时间的预测问题进行了仿真研究.仿真结果表明,该建模方法具有预测准确、跟踪性能好的优点.     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。     

SVR在传感器故障诊断中的仿真研究

利用回归型支持向量机(Support vector regression，SVR)，设计了一个传感器故障诊断系统。对SVR采用离线训练，在线应用的方法。使用训练好的SVR模拟系统的动态特性，并将输出结果和实际系统输出相比较，从而生成故障残差。仿真结果表明，SVR能够高精度的模拟系统的动态特性，进而生成较高精度的故障残差，有效地保证了传感器故障诊断的准确性。     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

基于红外虚拟偏振的目标增强方法

研究了一种基于虚拟变偏振理论的红外面目标细节增强方法,该方法充分挖掘和利用了红外偏振信息的固有特点,利用入射光Stokes矢量和出射光光强之间的描述关系推导出出射光光强和起偏角度的解析关系,并据此虚拟实现了任意起偏角度的出射光光强,然后依据面目标信杂比最大准则,利用粒子群算法迭代实现了最优起偏角度的搜索,最终得到增强后的红外面目标图像。利用实测的长波红外偏振图像数据对算法的可行性和有效性进行了验证,实验结果表明,在灰度对比度、平均梯度、图像熵3种图像质量评价指标下,经此算法增强后的图像质量更高,为后续目标细节识别和攻击点选择等算法的实现奠定了良好的数据基础。     

基于信号重构的频谱弥散干扰抑制方法

频谱弥散(smeared spectrum, SMSP)干扰是专门针对线性调频脉冲压缩雷达的密集多假目标干扰。依据SMSP干扰信号的周期性特征,提出了一种基于信号重构的SMSP干扰抑制方法。首先,采用奇异值比谱法估计SMSP干扰的子脉冲个数和调频斜率,采用相关运算法估计SMSP干扰的脉冲前沿位置、幅度以及相位参数,得到重构的SMSP干扰。其次,将其从接收信号中减去即可达到抑制干扰的目的。最后,仿真结果表明,即使在较低的干信比和干噪比条件下,干扰抑制比仍可以达到20 dB以上,说明所提方法对SMSP干扰具有较好的干扰抑制效果。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

基于 SVR 的期权价格预测模型

提出了运用非参数方法SVR与改进的期权定价方法结合的期权价格预测模型.首先利用股票价格收益率的偏度和峰度对传统的期权定价方法计算出期权的价格进行修正.然后,通过引入非参数方法SVR对其结果进行拟合来减小传统参数模型的误差,并建立SVR滑动窗口预测模型.由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点,所以在第一阶段的预测后, 在第二阶段引入SVR来解决其非线性,进而减小误差. 最后,利用我国长虹CWB1权证以及随机10只认购权证日价格数据进行实证检验.结果表明: 在预测精度方面, 非参数方法要优于传统的参数方法,而改进后的期权定价方法比传统的方法更符合实际情况.     

基于无锚框的红外多类别多目标实时跟踪网络

本文提出一种改进的红外多类别多目标实时跟踪网络, 在确保跟踪精度的同时, 重新设计无锚框网络结构, 进一步降低网络的参数量与推理时间。通过优化目标特征向量, 进一步提高识别精度, 同时简化与改进跟踪流程。此外, 通过细化分析相关流程执行时间, 选用GPU与CPU分别执行最优运算, 提升跟踪整体运行速度。上述方法被应用于低空海面红外目标跟踪数据集中。结果表明, 在本文所提的综合评价指标下, 所设计的网络相较其他轻量级网络评分提高1.78, 且运行速度在NVIDIA Jetson Xavier NX中达到52.37 FPS, 满足边缘端实时运行需求。     

基于SVR的回转窑烧成带温度软测量方法的研究

提出了一种新的回转窑烧成带温度的软测量方法.首先利用大津方法从烧结图像中分割出物料区和火焰区,并提取相应的特征值,然后采用最速下降法选择支持向量回归(SVR)模型的参数,基于这些参数建立了烧成带温度的软测量模型,最后利用前向滑动平均进行滤波提高拟合优度.将该方法应用于中国铝业公司山西铝厂的3#回转窑的氧化铝烧结过程,通过大量实验,验证了烧成带温度的软测量结果与实测值的拟合优度达到0.927,表明了该方法具有很强的实用性和准确性.     

面向多极值质量特性的全局式序贯性实验设计方法

针对多极值质量特性的全局性建模和参数优化问题, 为降低实验设计样本量, 提高模型预测性能, 提出一种全局式序贯性设计方法. 首先在一定的初始实验设计方式下, 建立过程粗略的SVR模型; 而后根据模型中支持向量的分布, 在支持向量样本各维度的45度角或轴向方向同步地增加实验点, 再拟合过程新的SVR模型; 如此迭代进行, 当模型精度达到要求或样本量达到上限时终止序贯性设计. 仿真与实证研究表明, 该方法能够在可行域全局的范围内将实验点合理地分配在质量特性的多个极值附近, 避免了传统的单路径式序贯性设计只能发现单个极值的不足, 充分提高了实验效率; 与均匀空间网格设计、 拉丁超立方设计和均匀设计相比, 在样本量接近的情况下, 基于全局式序贯性设计的SVR 模型的预测均方误差至少降低了30%; 而在预测误差较为接近的情况下, 全局式序贯性设计的样本量至少降低了12%.