基于小波支持向量机分割的SAR图像桥梁目标检测

针对SAR图像中桥梁和水域的统计特性,提出了基于小波支持向量机分割与先验知识相结合的桥梁目标检测方法.通过对SAR图像中桥梁和背景的分析,首先对水域进行特征提取,再利用小波支持向量机方法对数据进行训练建模,通过模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测.基于真实SAR图像的实验结果显示,此方法不需对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速、准确地检测SAR图像中的桥梁目标.     

Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

基于MARMA模型的SAR图像SVM分割

在分析SAR图像特征的基础上,提出一种新的基于多尺度自回归滑动平均(multiscale autoregressive moving average,MARMA)模型的SAR图像分割方法.首先建立多尺度序列,然后通过研究SAR纹理图像的MARMA模型,建立适合SAR图像的多尺度特征矢量,最后采用提出的广义加权支持向量机进行特征分类.实验结果表明,采用此分割方法可以获得很好的分割结果.     

基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.     

基于显著性主动学习的SAR图像分类

SAR图像分类是实现SAR图像理解和解译的关键步骤,本文将显著性检测、主动学习和支持向量机分类技术相结合,提出基于显著性主动学习的SAR图像分类算法.该算法首先将基于卷积和下采样得到不同尺度的SAR图像;然后对各尺度SAR图像进行显著性检测,分为显著性区域与非显著性区域,最后对区域内像素提取特征,并由基于支持向量机的主动学习方法进行分类.实验结果表明:本文提出的方法极大提高了支持向量机分类的精度和效率.     

集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

独立成分分析支持向量机回归模型及其在近红外光谱分析中的应用

首先采用独立成分分析(ICA)提取近红外光谱数据矩阵的独立成分和相应的混合矩阵,然后用支持向量机回归(SVR)对混合矩阵和实测浓度矩阵进行建模,建立了独立成分分析-支持向量机回归(ICA SVR)的近红外分析建模方法.结果表明,ICA SVR模型的预测结果明显优于SVR和偏最小二乘法(PLS)方法,方法用于肉样品中水分、脂肪和蛋白质的同时测定,获得了满意的结果.     

基于SVR-RFE的作战方案评估指标选择方法

针对作战方案评价指标权值确定过程存在不确定和主观性的问题,本文提出了基于支持向量回归机的线性和非线性递归特征消除法(SVR-RFE)。该方法利用权值向量和函数值作为SVR-RFE的特征选择标准,采用支持向量回归机(SVR)对特征选择前后的回归能力进行了分析比较。在某作战方案样本集上的仿真实验表明,线性和非线性SVR-RFE在作战方案数据集上的特征选择效果是一致的,在特征维度为50%左右时,SVR算法达到最优泛化性能。     

ε不敏感支持向量回归在化工数据建模中的应用

针对化工领域数据建模小样本、不适定性等问题 ,提出了一种用ε不敏感支持向量回归 (ε SVR)方法进行实际过程建模的想法 ,以解决人工神经网络等方法在数据建模中的“过拟合”、泛化性差等问题 .在分析ε SVR特性的基础上 ,用一个非线性函数逼近例子验证了ε SVR在小样本情况下比BP前馈神经网络具有更优良的建模能力 .将ε SVR应用到丙烯腈聚合反应过程质量指标软测量混合模型中 ,仿真和现场运行结果表明ε SVR是一种非常有效的化工数据建模方法 .     

一种基于关联向量回归的盲图像复原

提出一种基于关联向量回归模型的盲图像复原算法.用模糊噪声图像作为训练集合,由此得到关联向量回归模型.该模型可用于恢复受不同类型模糊和不同噪声污染的图像.实验结果表明:同其他盲复原算法相比,该算法对点扩展函数(PSF)类型和噪声都有较强的鲁棒性.同时,从改善信噪比大小和主观视觉两个方面,该算法都能取得良好的复原效果.     

基于支持向量回归机的时态数据预测研究

基于支持回归支持向量机模型,建立了一种对时态数据预测的方法,可以对多属性时态数据进行预测,实验结果表明该方法在预测上具有一定的稳定性和准确性.     

剔除支持向量回归中异常数据算法

定义了回归问题中异常数据及其不满足回归映射关系差异程度的度量,分析了回归问题中理论映射模式与回归估计模式关系,提出并证明了回归问题中逐个剔除异常数据,建立回归估计模式逐步逼近理论模式的逐步逼近定理,并构建了以逐步逼近定理为理论依据的剔除支持向量回归中异常数据算法,理论分析了算法的收敛性和有效性。然后,引入逐步搜索算法改进剔除异常数据算法以解决大规模样本的支持向量回归中异常数据剔除问题,理论分析显示改进算法也是收敛的和有效的。最后,应用给定已知函数生成样本和UCI机器学习数据库样本数据仿真实验,结果显示算法是有效的和鲁棒的。     

Estimate of error bounds in the improved support vector regression

An estimate of a generalization error bound of the improved support vector regression(SVR)is provided based on our previous work.The boundedness of the error of the improved SVR is proved when the algorithm is applied to the function approximation.     

基于粗糙集和支持向量机的深基坑工程风险评价

利用粗糙集和支持向量回归机的理论和方法,建立基于粗糙集和支持向量回归机相结合的风险评价模型。结合深基坑工程风险评价的实例,将约简后的评价指标输入到支持向量回归机中训练,构建评价模型,而在模型的构建中采用了高斯径向基核函数。最后将指标约简前后所得的评价结果分别与基于粗糙集和神经网络的评价所得的结果进行比较,采用粗糙集和支持向量回归机的评价法具有更好的评价效率。     

巴姆地震三维形变场获取

基于覆盖巴姆地震的先进合成孔径雷达(advanced synthetic aperture radar,ASAR)数据,使用差分干涉测量(differenti-al interferometric synthetic aperture radar,D-InSAR)方法获取卫星视线向(line of sight,LOS)向同震形变场,针对形变场中存在的失相干和地形误差等问题,分别使用非线性支持向量机方法(support vector regression,SVR)进行失相干恢复;并基于形变场经纬度与数字地形高程模型(digital elevation model,DEM)建立函数模型,去除残余的地形误差,从而获取完整的形变场.使用多种干涉雷达(interferometric synthetic aperture radar,InSAR)技术联合的方法获取巴姆地震的三维形变场.结果表明:SVR方法可以较好地恢复失相干区域,而且巴姆地震发震构造是近南北向断层,主要以右旋走滑运动为主.     

BP神经网络在多源图像融合中的应用研究

采用BP神经网络与SVR融合法相结合的方法来实现像素级多源图像融合。改进型的SVR方法,用来进行全色波段和多光谱波段的融合。首先将各多光谱波段与全色波段求算回归系数,然后利用回归系数与多光谱波段合成模拟高空间分辨率全色波段,最后利用比值变换完成各波段的融合。通过仿真证明,BPNN-SVR融合法优于SVR融合法。     

基于生成对抗网络的SAR图像去噪

合成孔径雷达(synthetic aperture radar,SAR)图像是一种能够全天时、全天候产生高分辨率图像的主动式对地观测系统,在农业和军事等方面得到了广泛应用.然而,由于相干成像机制受到相干斑噪声的影响,因此提出了一种基于生成式对抗网络的SAR图像盲去噪算法,构造了基于残差结构的深度卷积神经网络(deep convolutional neural network,DCNN)作为生成网络,可以加速训练过程,提高去噪性能.本文还利用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似指数(structural similarity index measure,SSIM)定义一种新的损失函数,使得去噪后的图像更符合人眼的视觉感知要求.实验结果表明,本文算法可以有效地抑制SAR图像中的相干噪声,获得良好的去噪效果.     

Generating Fuzzy Rule-based Systems from Examples Based on Robust Support Vector Machine

This paper firstly proposes a new support vector machine regression （SVR） with a robust loss function, and designs a gradient based algorithm for implementation of the SVR,then uses the SVR to extract fuzzy rules and designs fuzzy rule-based system. Simulations show that fuzzy rule-based system technique based on robust SVR achieves superior performance to the conventional fuzzy inference method, the proposed method provides satisfactory performance with excellent approximation and generalization property than the existing algorithm.     

基于SVR和GA的锅炉运行氧量基准值的优化确定

借助现场运行数据,根据锅炉运行氧量的特性,建立了基于支持向量回归的锅炉运行氧量预测模型,结果表明:SVR模型具有较高的回归精度和较好的泛化能力,能够有效地对不同工况下的锅炉氧量进行预测.在此基础上进行二次建模,获得了运行氧量、供电煤耗率与各运行参数之间的关系模型,并结合全局寻优的遗传算法,以机组的供电煤耗率为优化目标对输入参数进行寻优,确定了优化后的锅炉运行氧量基准值.计算结果表明该模型具有较高的准确性,通过全局寻优得到的氧量值具有可操作性,很好地解决了锅炉变工况运行参数基准值的确定问题.     

基于布谷鸟搜索算法的SVR参数选择

SVR(支持向量回归机)在解决非线性回归问题时有极大的优势,在其预测过程中,最重要的是参数的选择,不同的参数会造成预测结果的巨大差异．目前较为普遍的方法是利用遗传算法和粒子群算法进行参数选择,而这2种算法在解决多峰问题时的局限性,容易导致算法的效率低且准确度不高．鉴于布谷鸟搜索算法引入了Lvy飞行机制,能有效地跳出局部最优解,使算法收敛速度快,且结果具有对算法本身的参数变化不敏感的优点,该文将布谷鸟搜索算法应用于SVR参数寻优过程中．网络流量和白葡萄酒质量的预测实验结果表明,布谷鸟搜索算法相对于遗传算法、粒子群算法等其他启发式智能算法而言,收敛速度更快,寻参结果的精度更高．