一种改进的人工蜂群算法优化的支持向量机

为了改善现有支持向量机(Support Vector Machine)的机器学习效果依赖于参数选择,而参数选择通常依赖于经验的问题,在现有基础上,本文结合一种称为骨架人工蜂群算法(Bare-bones Artificial Bee Colony)的改进的人工蜂群算法对支持向量机的2个参数进行优化,并对该优化结果进行试验。试验结果表明,改进的支持向量机的准确率、识别速度均优于原本的支持向量机。     

基于改进SSA-VMD的列车门丝杠机构故障诊断技术研究

【目的】为解决地铁运行时因列车门噪声过大而导致故障诊断难的问题,以列车门为研究对象,提出一种基于改进麻雀搜索（SSA）算法的变分模态分解（VMD）振动信号降噪法,并通过支持向量机来对故障进行诊断。【方法】首先,利用Hénon混沌映射来初始化种群,将非线性权重因子引入群体行为阶段,并通过Levy飞行策略及柯西变异对位置进行更新。其次,通过改进的麻雀搜索算法对变分模态分解算法中的惩罚因子α和模态分解数K进行全局寻优,确定参数分解并重构,得到降噪信号。最后,使用主成分分析法（PCA）来提取特征,并利用支持向量机（SVM）来诊断故障。【结果】试验结果表明,该方法对振动信号的降噪效果明显,故障诊断准确率达91%,验证了该方法的有效性。【结论】该方法能有效克服传统VMD去噪参数难以选取的问题,对列车门故障诊断研究具有一定的参考价值。     

基于粒子群优化支持向量机的边坡稳定性预测

为了提高边坡稳定性预测的精度,保障边坡工程的安全,提出基于粒子群优化算法支持向量机的预测模型。采用粒子群优化算法不断进行搜索迭代获取支持向量机模型的最优参数,避免了支持向量机人为选取参数的盲目性和随意性。通过Matlab编程,应用实例证明:该模型的预测精度较高,预测样本的平均相对误差为3.581 9%,计算速度较快,优于改进的BP算法、GA-BP算法和改进支持向量机算法,在实际的工程应用中有着良好的应用前景。     

一种基于因果网络的支持向量回归特征选择算法

为了提高支持向量回归算法的学习能力,提出了一种基于因果网络的特征选择算法.该方法假设目标变量和特征候选集之间符合一个因果网络模型,然后利用基于条件独立性测试的方法对目标变量的直接影响特征进行识别,从候选特征集之中获取与目标变量有着直接因果关系的特征子集.虚拟和真实数据集上的实验结果表明,该特征选择算法适用于支持向量回归算法,优于目前其他算法.     

基于改进YOLOv5s的车辆检测研究

【目的】针对目标检测算法在车辆检测领域中应用时存在模型复杂、检测精度较低的问题,基于改进YOLOv5s算法开展车辆检测研究。【方法】以Ghost模块来替换YOLOv5s中的主干网络,以达到模型剪枝的目的,改进后的网络模型复杂度有所降低,从而解决了网络模型较大的问题。同时,可引入挤压—激励注意力机制来提取更重要的特征信息,达到提高检测精度的目的。本研究所用到的数据集均为汽车图像,车辆检测数据集共有12 786张图片,将该数据集按照8∶1∶1的比例进行划分。其中,训练集为10 228张,测试集和验证集均为1 279张,采用对比试验法进行研究。【结果】试验结果表明,与原有的YOLOv5s相比,改进后的网络模型在车辆检测数据集上的平均准确率均值提升3%,查准率和召回率分别提升1.9%和3.2%,模型大小下降42%。【结论】改进后的网络模型有效降低了模型的复杂度,提高了检测精度,并节约成本。     

基本矩阵随机采样鲁棒估计

提出一种新的基本矩阵鲁棒估计算法:随机采样算法,对含有大量出格点的数据点集,利用7个对应匹配点的最小子集来估计参数;然后在不同的子集重复多次,确保任何一个子集都含有一个好的数据点的机率达到95%.最优估计值是残差低于门限值点数最多的子集,一旦从数据点集剔去出格点,利用没有出格点的数据就可以得到最终估计值.用真实图像测试表明该算法鲁棒性好,精度高.     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

一种改进支持向量机的无线定位方法

针对利用支持向量机无线定位过程中参数对定位准确度有较大影响的问题,提出一种模拟退火改进的支持向量机(simulated annealing-support vector machine,SA-SVM)参数的定位方法.根据蜂窝通信系统模型仿真数据训练支持向量机,利用模拟退火算法迭代寻找SVM最优参数,然后用得到的最优参数进行支持向量机定位.仿真结果表明,相对于原来的SVM定位,SA-SVM有效提高了定位精度,具有很好的应用价值.     

基于高光谱成像的水果损伤分析研究

高光谱成像技术包含图像信息和光谱信息。本文利用高光谱成像技术检测苹果摔伤,主要采用主成分分析、波段比算法和支持向量机分析所采集的高光谱图像数据。实验结果表明,波段比算法和主成分分析法分类识别正确率为93.3%,与支持向量机相比更适用于苹果摔伤的实时快速检测。     

基于级连式支持向量机的文本自动分类算法

为了解决文本自动分类问题,从解决支持向量机模式支持限制问题入手,以级连概念为指导思想,构造了多层级连式支持向量机模型,提出一种文本自动分类算法,以便处理多个模式的分类问题。由于支持向量机本质上是一种非线性数据处理工具,对于复杂的两类模式分类问题已表现出良好的适应性,而且支持向量机用于模式识别不存在局部极小值问题,且不需进行网络迭代训练,求解速度明显高于神经网络。通过以CNKI文档数据为例进行算法实践,试验结果表明支持向量机用于模式分类的实现步骤比较简单,不需要长时间的训练过程,只需根据初始样本在空间的分布特性求解最优超平面(即找出支持向量),进而确定决策函数,然后即可泛化推广识别其他待识别的同类样本。     

基于PCA-SVM的混合气体分类研究

由于气体数据有限以及气体分类的准确率不高,解决气体分类问题有较大的难度。传统的模式识别算法虽然能够运用到气体分类中,但在不同浓度的气体数据下训练和测试性能会下降,准确率也比较低。本研究对8阵列传感器和24阵列传感器采集到的混合气体进行分类,提出了结合主成分分析（Principal component analysis, PCA）应用支持向量机（Support vector machine, SVM）,构建PCA-SVM模型对不同浓度的一氧化碳（CO）、甲烷（CH₄）、硫化氢（H₂S）以及乙醇（C₂H₆O）的混合气体进行分类的方法。与SVM、参数优化的BP神经网络（Back propagation neural network, BPNN）和PCA-BP神经网络模型对比的结果表明,在随机选择的数据中,采用PCA-SVM模型能够提高分类的性能,在含有13个特征的气体数据集中,利用PCA-SVM模型准确度达到98.974%。在含有27个特征的数据集中,利用PCA-SVM模型准确度达到100%,能够满足对混...     

基于SSA-XGBoost的变压器故障诊断

针对传统机器学习算法处理绝缘油中溶解气体分析(Dissolved gas analysis, DGA)的数据集准确率低的问题,提出了樽海鞘优化算法(Salp swarm algorithm, SSA)优化极端梯度提升(Extreme gradient Boosting, XGBoost)的DGA故障检测模型。对DGA数据集进行Z-score标准化预处理,消除DGA数据集各个特征间差异过大的影响;初始化SSA种群参数、迭代次数,设置樽海鞘群体的上下限,分别对应XGBoost里面的各个参数;经过樽海鞘群体的连续迭代优化,寻找XGBoost的最优参数;利用寻找到的诊断模型XGBoost的最优参数进行DGA的故障诊断。与遗传算法(Genetic algorithm, GA)优化XGBoost、粒子群算法(Particle swarm optimization, PSO)优化XGBoost和蚁群算法(Ant colony optimization, ACO)优化XGBoost的对比实验表明,针对DGA数据集,SSA相比于GA、PSO和ACO优化的XGBoost模型各个故障的准确率更高,总体准确率...     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点，其框架在满足数据不出本地的情况下，可以训练出多方均满意的共同模型，但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题，因此提出基于深度学习的联邦集成算法，将深度学习与集成学习应用到联邦学习的框架下，通过优化本地模型的参数，提高了本地模型准确率；使用不同的集成算法来整合本地模型参数，在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比，该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%，在保证准确率的同时也提升多源数据与模型的安全性，具有很重要的应用价值。     

P2P视角下的个人信用风险评价研究

在分析P2P网贷征信特征的基础上,建立了具有明显行业特征的个人信用风险评价指标体系;使用支持向量机和GA-BP神经网络法来对个人信用风险进行评估。实证分析表明支持向量机有着更高的分类准确率,同时也验证了该评价模型在实际中能较为准确地得到个人信用风险评价结果,有助于提高P2P平台的风险控制能力。     

纹理图像分类的置信规则库推理方法

针对传统纹理图像分类算法识别率不高的问题,引入置信规则库推理方法而提出一种纹理图像分类策略.目前纹理图像分类研究常局限于纹理特征提取算法的改进,而忽视了另一个决定分类效果的关键,即分类器设计.该文采用置信规则库推理方法,在现有纹理特征提取算法基础上重新设计纹理图像分类器.根据角度径向变换和灰度共生矩阵算法提取图像纹理特征,采用主成分分析方法减少角度径向变换特征的维数,以避免产生置信规则库"组合爆炸"的问题.最后用置信规则库推理方法将纹理特征信息转换成类别置信度信息,得到最终的分类结果.实验中将置信规则库推理方法分别与相似性距离度量法和支持向量机法进行对比,结果表明所提出的方法在一定程度上提高了纹理图像分类准确率.     

基于三轴加速度传感器人体姿态识别的特征选择

为解决人体运动模式识别中姿态分类问题,详细研究了人体姿态识别的特征选择.通过统计三轴加速度传感器的x轴、y轴、z轴等信号,获得标准差、偏度和峰度等117种特征.将Fisher score、relief-F和Chi square 3种算法与层次分类方法相结合选择出特征子集,采用支持向量机对动作进行分类.实验表明,利用3种特征选择算法所选择出的特征集有助于较高精度地识别站立、坐和躺3种静态动作以及走、上楼、下楼3种动态动作,且有利于后续进行低复杂度在线识别方法研究.     

采用对数预处理的SVM频谱感知方法

为提高频谱感知灵敏度和准确率,减少训练时间,提出一种采用对数函数预处理的支持向量机频谱感知方法.通过实验平台采集出样本集,在保证频谱感知性能前提下,选取一个尺寸最小且具有适用性的训练样本集,利用对数函数对样本集进行预处理,增大主用户信号存在与不存在时样本的平均值之差.实验表明,经对数函数预处理的样本集送入支持向量机进行训练和测试,其频谱感知性能在低信噪比下有明显提高,检测率达到90%以上.     

激光雷达在地下矿井障碍物检测中的应用

【目的】地下矿井是自动驾驶技术实现落地应用的一个重要场景，障碍物检测是自动驾驶感知算法的重要组成部分，现有的检测算法多存在准确性不高、实时性不够等问题。【方法】针对检测算法中存在的问题，本研究提出一种适用于地下矿井障碍物检测的算法，使用该算法对激光雷达点云进行处理。首先，对地下矿井中的路面存在坡度的场景，提出多平面拟合的地面分割方法，准确地提取高程障碍物点云。其次，优化密度聚类算法，采用自适应阈值的组合参数，实现对障碍物的检测。【结果】本研究基于公开数据集和地下矿井实际采集数据集进行验证。【结论】本研究提出的算法具有良好的障碍物检测效果。     

基于支持向量机的浊积扇沉积微相自动识别

在油田勘探开发中,利用测井资料迅速准确的划分沉积微相至关重要。商河油田三区沙三上亚段内发育浊流沉积,由于浊积微相在划分上具有复杂性,因而易受到工作者主观性及工作繁琐性的影响。为了最大限度地利用测井资料、提高沉积微相划分工作效率,可利用支持向量机对商三区沙三上浊积环境的沉积微相进行定量精细自动识别,为后期油田精细开发打下地质基础。研究中优选测井曲线,对其进行预处理并提取特征参数,用作支持向量机的输入集,以沉积微相解释结论作为输出;选取区内取芯井段齐全且具有微相划分结果的3口取芯井、总计1 209组数据对支持向量机进行训练,将其中908组数据作为训练集、301组数据作为测试集。研究结果表明:应用该方法的训练结果和测试结果准确率分别达到了97.7%、88.9%,表明支持向量机方法在商三区沙三上亚段浊积扇沉积微相识别上有较好的应用效果。     

一种结合关联与FOIL算法的分类方法

针对如何减少关联分类方法中冗余规则,增加FOIL算法的规则数,以提高分类准确率,提出了一种结合关联与FOIL算法的分类方法,并称之为ACFA．首先,以类支持度和自信度为度量提取长度为1和2的规则,其次,利用Apriori算法挖掘出频繁2-项集F2,然后在频繁2-项集F2申挑选满足条件的频繁项建立候选集,最后在候选集上运用FOIL算法来产生分类规则．实验表明算法ACFA不但有效减少了关联分类方法中冗余的规则,并大大增加了FOIL算法的规则数,提高了分类的准确率．