基于精细复合多尺度熵与支持向量机的睡眠分期

提出将脑电信号与眼动信号的精细复合多尺度熵作为睡眠分期依据,利用多层次支持向量机的机器学习算法对睡眠进行自动分期.利用精细复合多尺度熵对睡眠信号进行特征提取,选用脑电以及眼电通道的信号,以保证输入特性的可靠性,并通过3层支持向量机实现了睡眠的自动分期.结果表明,分类器的输入参数可由熵值曲线的变化特征来确定.基于精细复合多尺度熵的多层次支持向量机算法的睡眠分期准确率达到85.3%,与已有的分类算法相比,所提出的算法更加均衡,且整体分类效果更佳.     

相关向量机及其在铜锍吹炼中的应用研究

相关向量机(Relevance Vector Machine,RVM)是一种新的在稀疏贝叶斯概率模型的基础上发展起来的基于统计学习理论的机器学习方法,它比支持向量机( Support Vector Machine,SVM)有更多优点,已成为数据挖掘的又一高效有力工具.本文研究了RVM在铜锍吹炼中的应用.用RVM对某冶炼...     

基于相关向量机的赖氨酸反应过程参数软测量

针对支持向量机(SVM)计算复杂度高、参数不容易确定等局限性,提出一种基于相关向量机(RVM)的赖氨酸反应过程关键参量的软测量方法.根据过程经验,确定发酵液的溶解氧浓度、pH值、二氧化碳释放率、氧吸收率和葡萄糖流加速率为辅助变量,利用相关支持向量机的拟合与泛化能力,建立了赖氨酸反应过程基质浓度、菌体浓度、产物浓度等不可直接测量参量的软测量模型.基于L-赖氨酸反应过程开展的试验研究表明:所建立的相关向量机软测量模型拟合精度高、泛化能力强,较好地满足了赖氨酸反应过程的控制要求.     

基于相关向量机的中长期径流预报模型研究

鉴于其优越的预报性能,将相关向量机（RVM）应用到中长期径流预报中,并在相空间重构的基础上,建立了基于相关向量机的径流预报模型.该模型首先对径流时间序列进行相空间重构,并以重构后的径流序列作为模型输入;其次,采用粒子群优化（PSO）算法识别模型参数,利用优化所得重构参数验证时间序列具有混沌特性,在模型内循环过程中采用EM算法迭代估计超参数,并将RVM与应用较为广泛的最小二乘支持向量机（LSSVM）和自动回归滑动平均模型（ARMA）进行了比较分析,结果表明该模型具有较好的泛化能力;最后,基于水文过程变化的不确定性、RVM描述输出值的不确定度以及相应概率下的预报区间,使得调度人员在决策中能考虑预报的不确定性,定量估计各种决策的风险和效益.     

基于贝叶斯学习的关联向量机及其在软测量中的应用

介绍了一种与支持向量机(SVM)函数形式相同的稀疏概率模型--关联向量机(RVM),其训练是在贝叶斯框架下进行的,在处理具有噪声的函数回归时,RVM具有很出色的性能.与SVM相比不仅解更稀疏,而且无需调整模型参数,核函数选择也不受限制.将RVM应用于PTA装置溶剂脱水塔塔顶塔底组分软测量建模,仿真结果表明:该方法预测精度较高,具有一定的应用价值.     

遗传关联向量机高光谱影像分类

基于高光谱影像临近波段相关性高, 直接在高维空间分类并非最优,并且使用交叉验证进行分类器参数寻优过程繁琐,提出了遗传关联向量机（GA RVM）高光谱影像分类算法,使用遗传算法搜索面向关联向量机（RVM）的最优参数和特征子空间, 消除冗余信息, 简化参数优化过程.实验环节验证了GA RVM算法的有效性,剔除约50%冗余波段后,总体分类精度提高3%, 对难分地物改进尤为明显, 其中混分最严重的2种大豆精度提高了8%.     

支持向量机方法在运动意识识别中的应用

为有效识别与运动想像相关的脑电模式,提出基于支持向量机(SVM)的运动意识分类新算法,利用sym2小波基函数对脑电(EEG)信号进行6尺度分解后,从每级分解中提取绝对值最大的小波系数作为信号特征,构成有效特征向量输入SVM分类器,实现基于EEG的运动想像模式识别.实验数据采用脑机接口竞赛(2003)的脑电数据,实验结果表明采用径向基核函数的SVM分类器可有效地对EEG进行运动想像分类,具有良好的泛化推广能力,为脑机接口的运动意识分类提供了新思路.     

基于遗传算法优化的支持向量机品位插值模型

将支持向量机(SVM)和遗传算法(GA)集成应用到矿体品位插值问题中,利用遗传算法全局搜索的优势对支持向量机的三个关键参数——惩罚系数C、不敏感系数ε和核函数参数σ进行寻优,克服单纯支持向量机法中依靠经验确定参数的局限性.将优化参数代入到支持向量机中进行迭代训练,得到基于遗传算法参数优化的支持向量机(GA-SVM)矿体品位插值模型.以国内典型矿山的实际勘探数据为例,通过该品位插值模型计算结果与传统插值方法计算结果和矿山生产实际数据的对比分析,验证了其可行性和有效性.     

基于粒子群优化支持向量机康复下肢外骨骼的脑电控制研究

为解决失能人群自主移动的问题,脑机接口(brain computer interface, BCI)已广泛应用于外骨骼领域,但脑电(electroencephalogram, EEG)信号因信噪比低等原因导致识别率一直难以提高。为提高基于脑机接口下肢外骨骼的信号识别率,采用粒子群优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)算法提高脑电信号识别率,取得了86.52%的脑电信号识别率。首先建立共空间模式(common spatial pattern, CSP)数学模型对脑电信号进行特征提取,随后建立基于粒子群优化的支持向量机分类模型,优化脑电信号分类关键参数,将最终的实验数据与传统的支持向量机分类方法比较,最后进行算法的验证及下肢外骨骼实验。实验结果表明：经过粒子群优化的支持向量机分类准确明显高于传统支持向量机分类。所提出粒子群优化支持向量机对脑电信号的特征识别方法可实现运动想象(motor imagery, MI)的精确识别,为脑机接口技术在康复外骨骼领域的应用提供理论基础和技术支持。     

基于PCA_RVM的焊缝偏差识别

为提高基于旋转电弧传感器的焊缝跟踪系统的精度,提出了主成分分析(PCA)线性降维方法与关联向量机(RVM)相结合的焊缝偏差识别方法.首先,对采集到的焊接电流信号进行小波滤波,进行周期划分和数据标准化处理.然后,对采集到的焊缝偏差数据集进行主成分分析,映射到低维的PCA空间,作为关联向量机的训练样本集;最后,利用实验数据进行测试.实验结果表明:基于PCA_RVM的焊缝偏差识别方法的最大误差为0.54mm,平均误差为0.43mm;PCA_RVM的精度与普通的关联向量机法相差不大,比区间积分法、神经网络法和支持向量机法更高,其运行速度比区间积分法慢,但比神经网络法、支持向量机法和普通的关联向量机法快,所以PCA_RVM更适用于基于旋转电弧传感器的焊缝跟踪系统.