基于PLS和SVM的纸张抗张强度建模比较

为解决纸张抗张强度预测模型实际相关性差、预测精度低的问题,基于某瓦楞纸厂生产线,通过机理分析筛选出影响抗张强度的生产变量,分别使用偏最小二乘法(PLS)和支持向量机法(SVM)对抗张强度建模,并通过相关性筛选后的简化模型对模型预测精度进行比较.结果表明,简化后的支持向量机模型更适合纸张抗张强度的现场预测,其均方根误差为321N/m,皮尔逊相关系数为0.909,预测速度快且模型精度较高.     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。     

基于nu - SVM的三坐标测量机空间相关动态误差建模

为了建立高精度的三坐标测量机动态误差修正模型,分析了三坐标测量机空间动态误差相关性的特点,介绍了所采用的建模方法支持向量机( nu - SVM)的基本原理和算法.利用双频激光干涉仪建立了MC850移动桥式三坐标测量机的单向动态误差分离装置,分离了不同空间位置下的单向动态误差.分别应用BP神经网络、nu - SVM建模方...     

SVM的快速分类及其算法

针对支持向量机中当样本集训练规模很大且存在野点时,其分类速度慢且精度不高的问题,提出一个支持向量机快速算法。其基本步骤是首先求取每类样本点的壳向量和中心向量,然后将求出的壳向量和中心向量合在一起,组成新的训练集进行训练,得到最终的分类器。实验表明采用这种学习策略,不仅大幅度降低了学习代价,而且获得的分类精度与直接通过大规模样本集训练得到的分类器的分类精度相当,同时分类速度也得到大幅度提高。     

几种SVM的优劣性比较

支持向量机(Support Vector Machine,SVM)是将样本进行分类和回归的一种强大的数学工具,尤其是对高维领域,效果尤为显著.支持向量机工作原理是针对样本数据集,寻找决策函数来对样本数据进行分类的.如今已经衍生出多种SVM的相关模型.最为常见是有孪生支持向量机(T-SVM),正则化支持向量机(RT-SVM),最小二乘支持向量机(LSSVM).这几类模型的出发点和建构模型的思想有些许不同之处.本文则选取了三种常见的SVM模型,分析和比较它们之间的优势以及劣势,能让读者更加深入的了解这类算法,并且在实际问题中更具有选择应用性.     

基于鸟群算法的SVM参数选择

针对支持向量机(SVM)分类器参数选择问题,提出了基于鸟群算法(BSA)的SVM参数选择方法(BSASVM),以优化SVM惩罚参数和核参数.鸟群算法具有优化精度高、鲁棒性好等特点,将SVM参数作为鸟群算法目标函数的优化参数,在搜索到最优值的同时得到最优参数.通过8个UCI标准数据集的MATLAB仿真对比实验,验证了BSA-SVM能有效提高分类准确性.实验结果表明:BSA-SVM能更加准确地找到SVM最优参数,从而加强SVM学习与泛化能力,是一种有效的SVM参数优化方法.     

基于结构风险上界的SVM参数选择

提出了基于结构风险上界的SVM参数选择方法.首先,从理论上分析了SVM结构风险上界的计算方法,给出了结构风险上界的算法步骤;其次,以结构风险上界作为SVM泛化性评价准则对5个UCI公开数据库和经过实测建立的两个特征库(包括二类和多类数据)进行了参数选择仿真实验,并与5-折交叉验证的实验结果进行了比较,结果表明,基于结构风险上界的SVM参数选择方法有效、省时.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于支持向量机的水下运载器平面操纵运动建模

应用卡尔曼滤波器对水下运载器操纵运动仿真试验数据进行预处理,应用最小二乘支持向量机(LS SVM)对水下运载器的平面操纵运动方程进行参数辨识,并与传统的最小二乘法(LSM)的结果进行比较,验证了LS SVM应用于水下运载器操纵运动建模的有效性.     

基于人体姿态信息的下肢康复机器人运动控制技术

针对下肢运动功能障碍患者术后康复训练辅助设备的跟随控制问题,本研究提出一种基于人体姿态信息的下肢康复机器人运动控制方法。根据康复机器人的结构特性和功能要求,建立机器人运动数据信息采集系统和下肢康复机器人的运动学模型;构建机器人平台上的人体姿态行为信息采集传感器系统,通过分析位移传感器所采集的数据,得到表征人体姿态行为变化的相关信息,经上位机计算生成康复机器人的期望跟随速度;同时,基于模糊PID控制算法设计了跟随控制器。通过仿真和实验验证该控制算法能够有效减小机器人实时跟踪使用者运动过程中的误差,实现康复机器人对人体运动姿态良好的跟随效果。     

人体下肢康复训练机器人及其造型设计

为帮助中风后的病人、下肢运动功能弱的老年人、事故或灾难造成的人体下肢运动障碍等的人群进行行走能力的恢复,设计了一种针对人体下肢运动功能恢复的康复训练机器人,解决了智能康复辅具的不足问题.该康复训练机器人由机构、控制系统和安全系统构成,并集成了多种传感器,可实时伴随训练人士,通过人机交互系统实现自动向前、左右转弯和防摔倒等功能.实验表明该系统操作简单,可靠性高.开发了两代下肢康复训练机器人,第一代康复训练机器人已在医院得到了初步应用.对文中讨论的第二代康复训练机器人在造型和局部功能方面进行改进,给出了康复训练机器人的造型设计方案.      

一种基于卫向量的简化支持向量机模型

针对支持向量机(SVM)在处理大规模训练集时,训练速度和分类速度变慢的缺点,提出了一种基于卫向量的简化SVM模型.用对偶变换及求解线性规划方法提取卫向量,缩小训练集规模;在此基础上对训练得到的支持向量集,用线性相关性去除冗余支持向量,从而达到简化目的.对UCI标准数据集的实验表明:在保证不损失分类精度的前提下,该模型一定程度上改进了传统SVM,缩短了学习时间,取得了良好的效果.     

基于SVC算法的SVM工作集优选法

工作集的规模很大时,支持向量机的学习过程需要占用大量的内存,寻优速度很慢.文中提出一种基于支持向量聚类的工作集优选方法,分别最优化每一类样本集获取支持向量,利用支持向量几何分布特性,筛选后构造工作集.针对样本集不平衡情况,根据每一类支持向量个数对惩罚系数加权的加权优选法解决最优分离超平面偏移问题.该算法所选工作集具有代表性,能大幅度降低学习代价,同时具有较高的分类效率.     

基于表面肌电信号的下肢康复主动训练研究*

由于传统的人工康复手段已经很难满足患者对康复治疗的需求,因此提出一种基于表面肌电信号的下肢康复主动训练模式。通过提取患者下肢肌电信号在时域内的特征量,经BP神经网络辨识患者的运动意图,最后将辨识结果作为驱动下肢康复机器人的信号源,实现对患者的主动康复训练。根据临床试验中患者在主动训练前后各项生命体征数据稳定,以及主动训练后神经功能和运动功能具有显著恢复效果患者数较传统训练模式提升了50%,表明该主动训练模式的可行性和安全性。为今后深入研究主动康复训练奠定了理论和实践基础。     

Novel method of mining classification information for SVM training

Support vector machine(SVM) is an important classification tool in the pattern recognition and machine learning community,but its training is a time-consuming process.To deal with this problem,we propose a novel method to mine the useful information about classification hidden in the training sample for improving the training algorithm,and every training point is assigned to a value that represents the classification information,respectively,where training points with the higher values are chosen as candidate support vectors for SVM training.The classification information value for a training point is computed based on the classification accuracy of an appropriate hyperplane for the training sample,where the hyperplane goes through the mapped target of the training point in feature space defined by a kernel function.Experimental results on various benchmark datasets show the effectiveness of our algorithm.     

老年人下肢康复训练机器人运动识别方法研究

本研究认为,由于后天环境影响和身体机能的下降,老年人下肢运动能力降低的人数不断增多,相应地,康复训练机器人的相关技术则成为了研究的热点.本研究以老年人康复训练机器人为研究对象,提出了一种通过采集前臂压力来识别老年人的运动意图的方法,即建立系统的运动学模型,使用模糊拉格朗日插值法识别机器人的运动方向意图,使用比例变化法识别机器人的速度意图,通过仿真对识别方法的优越性进行验证.仿真结果表明,文中方法识别的速度和方向与实际运动情况基本一致,表明该研究提出的方向和速度意图识别方法是可行的.该研究为下肢康复训练机器人的发展提供了一定的参考.     

基于支持向量机的P2P流量管理模型设计

对P2P的网络流量进行识别是P2P研究领域中的一个重大难题,为了实现对其管理,提出了一种基于支持向量机(SVM)的P2P流量分类管理模型.首先获取P2P网络流量数据,然后将获取的样本数据输入SVM并对SVM进行训练,最后将测试样本数据输入SVM进行P2P流量分类管理.仿真实验证明了该方法具有较高的检测率和较低的漏报率.     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．