采用矩谐分析和支持向量机的地磁导航基准图构建方法

为便于在地磁导航工程应用中进行载体磁场和地磁场变化的修正,提出了一种采用矩谐分析和支持向量机的地磁基准图构建方法.在导航区域中心采用矩谐分析法来预测基准数据,包括地磁场剩余值计算、地理坐标转换、地磁分量转换、矩谐系数求解及中心区域基准数据预测等,以提高地磁基准图的精度并利于修正;在导航区域边缘采用支持向量机法来预测基准数据,包括核函数选取、参数优化、模型训练及边缘区域数据预测等,以减弱边界效应的影响;采用粒子群优化算法对支持向量机参数进行优化,以提高算法的运算效率.试验结果表明,该方法可提高所构建地磁基准图的精度,降低算法的运行时间.     

二维精简索引分层导航星库的构造

提出二维精简索引分层导航星库的构造方法。该方法把导航星分为局域亮性和局域暗星，以局域亮星为主构造星三角形，从而减少了存储三角形的数量；对星三角形进行二维精简索引，以提高检索效率、节约比对时间；通过参数的不同选择，可以转换为其他类型的导航星库。二维精简索引分层导航星库与分层星识别方法相配合，具有存储空间较少、识别速度较快的优点，适用于视场较大、探测星等较低的第2代星敏感器。     

一种支持向量集合的精简算法

由支持向量机算法得到的支持向量集合通常不是分类所必需的最小集合,冗余支持向量的存在降低了支持向量机的分类速度和实用化能力．为此,提出一种精简支持向量集合的新方法,给出了从原支持向量集合中识别和剔除冗余向量、生成新支持向量集合并确定其元素权值的算法．新方法尤其适用于样本规模大、支持向量数目多的分类问题．实验表明它能够在基本不降低支持向量机分类精度的前提下,大幅度地减少支持向量的数目,提高支持向量机的分类速度．     

一种新的星敏感器导航星表制备方法研究

采用星等阈值法制备导航星表,存在导航星分布不均匀的问题,影响航天器姿态解算精度。本文利用SKY2000星表,采用基于类赤经-赤纬对天球分区的方法,将天球划分为3600个 的子区域,对存储在每个子区域内的恒星进行特定规则的筛选。实验表明,利用该方法得到的导航星表,导航星数量少,分布均匀性好,并且可以通过改变子区域的大小,满足不同星敏感器的要求。     

支持向量机研究

支持向量机是一种新型的机器学习方法，由于其出色的学习性能，该技术已成为国际机器学习领域新的研究热点，首先介绍了统计学习理论和以该理论为基础的支持向量机，然后对线性、非线性支持向量机进行了介绍，给出了一些常用的训练算法．     

基于最小闭球的多类支持向量机

针对多类分类问题中样本数量分布不均衡和测试速度较慢两种情况,本文提出了两个基于闭球的二叉树多类支持向量机算法:MEB-MCSVM-1和MEB-MCSVM-2.算法利用最小闭球来协调样本数量间的不均衡性,利用球心进行最远距离聚类或最近-最远距离聚类,构建二叉树结构,使二叉树的每个节点代表1个二类支持向量机.为了检验所提算法的有效性,本文从需要训练的SVM个数、训练时间和测试时间三个方面对五种算法1-v-1,1-v-r,MEB-MCSVM-0,MEB-MCSVM-1和MEB-MCSVM-2进行了比较分析,结果表明本文所提方法对解决多类分类问题中样本数目不均匀和测试速度较慢这两种情况有明显的优势,实用性更强.     

基于相似方向的二叉树支持向量机多类分类算法

介绍了几种常用的支持向量机多类分类方法,指出了各自优点和不足之处.在现有的基于二叉树的支持向量机多类分类算法的基础上,提出了一种新的以类间相似方向作为二叉树支持向量机(BT-SVM)生成算法的多类分类方法,实例分析表明该方法具有较高的精度和推广能力.     

基于SINS/星敏感器的组合导航模式

针对利用捷联惯导系统导航的不足,提出了一种基于捷联惯导系统/星敏感器的新组合导航模式,来提高飞行器导航的精度和速度.利用星敏感器得到恒星星光矢量在星敏感器CCD光敏面上的星像点及其在导航星库中对应的坐标值,然后分别进行坐标变换得到星光矢量在数学平台坐标系和地理坐标系中的坐标角度值.以Kalman滤波为基础,将所得到的星光坐标角度值和姿态角速度进行数据融合,估计出组合导航系统的误差状态量,进而修正捷联惯导系统的位置、速度和姿态角参数.详细推导了SINS/星光的组合导航算法,并通过仿真证实了该方案可提高导航系统的精度和速度,有较好的容错性和环境适应性,具有实际使用价值.     

一种组合导航系统故障检测算法

在研究组合导航系统常用故障检测方法的基础上,将两种χ2故障检验法的检验量相结合,提出了一种针对组合导航系统的二叉树模糊支持向量机故障检测算法.该算法综合应用了Kalman滤波器、二叉树支持向量机等理论,采用模糊因子有效地减弱了噪声样本数据对支持向量机训练结果的影响,采用二叉树支持向量机的多个支持向量机实现对组合导航系统的多级故障进行多级分类和故障检测.最后,针对MINS/GPS组合导航系统,进行了相关仿真研究,仿真结果证明了该方法的有效性.     

SVM与BP神经网络在石煤提钒行业清洁生产评价中的对比研究

为比较 BP 神经网络(ANN) 和支持向量机方法(SVM) 两种机器学习方法对清洁生产的评价能力， 以理论原理为基础，比较了两种机器学习算法在应用原理方面的差异．并以石煤提钒生产工艺中水浸工艺为对象， 对 BP 神经网络和支持向量机在清洁生产水平评价上进行了对比研究．结果表明: 支持向量机方法分类精度为 100%; BP神经网络为 90%但易陷入局部最优，因此支持向量机方法在解决小样本评价问题时具有较高的实用价值.     

基于光滑化方法的支持向量回归算法

支持向量机是在统计学习理论的基础上发展起来的新一代学习算法,由于其出色的泛化能力,在文本分类、手写识别、数据挖掘、生物信息学等领域中获得了较好的应用.提出了一种光滑支持向量回归算法,实验结果表明,它相对于其它回归训练方法有较快的收敛速度和较高的拟合精度.     

多输出支持向量回归算法

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,由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点,将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

基于预测-校正原对偶内点法的多分类支持向量机学习算法

支持向量机基于统计学习理论,是一种新型通用的有监督的机器学习方法,其核心思想是使结构风险极小化,但是由于需要求解二次规划,使得它在求解大规模数据上具有一定的局限性,尤其是对于多分类问题,现有的支持向量机算法具有很高的复杂性.本文构造了基于线性规划的一对一三类结构支持向量分类器,可以直接利用比较成熟的线性规划算法——预测-校正原对偶内点法,并在此基础上提出了基于预测-校正原对偶内点法的支持向量机的多分类学习算法,这种算法可用于比较庞大的多类别识别问题,并且克服了标准支持向量机的一些缺点,而且模型简单,容易实现.针对UCI数据库上数据进行了实验,结果证实该算法具有较高的可行性和实用性.     

一种改进的快速支持向量机算法

为了快速的求解支持向量机问题,降低求解规模,根据支持向量机的几何原理以及数据样本的统计特性,提出了一种改进的支持向量机快速算法。该算法通过迭代修正支持超平面的法向量,采用数值逼近而非解二次规划的方式来求解问题。算法具有速度快、增量学习、使用的支持向量少等显著优点。     

支持向量机研究与应用

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法，同时也是到目前为止统计学习理论最成功的实现。支持向量机在模式识别、回归估计、函数逼近等领域有了广泛的应用。论述了支持向量机的研究、应用状况，指出了支持向量机研究和应用中待解决的一些问题和今后进一步的研究方向。     

A fast SVM training algorithm based on the set segmentation and k-means clustering

At present, studies on training algorithms for support vector machines (SVM) are important issues in the field of machine learning. It is a challenging task to improve the efficiency of the algorithm without reducing the generalization performance of SVM. To face this challenge, a new SVM training algorithm based on the set segmentation and k-means clustering is presented in this paper. The new idea is to divide all the original training data into many subsets, followed by clustering each subset using k-means clustering and finally train SVM using the new data set obtained from clustering centroids. Considering that the decomposition algorithm such as SVMlight is one of the major methods for solving support vector machines, the SVMlight is used in our experiments. Simulations on different types of problems show that the proposed method can solve efficiently not only large linear classification problems but also large nonlinear ones.     

基于正反馈的支持向量机

在分析现有的基于高斯核的支持向量机(包括基于K-邻域法的支持向量机)的优缺点的基础上,通过对支持向量机之所以能够描述数据集的分布特征的本质进行分析,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一苛刻要求,提出了用于模式识别的基于正反馈的支持向量机.给出了基于正反馈的支持向量机的算法.通过对人工数据和现实数据的仿真实验,表明基于正反馈的支持向量机在推广性能方面明显优于现有的支持向量机.     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

神经网络的统计学习理论基础

介绍神经网络的统计学习过程和理论．讨论基于经验风险最小化的学习理论对神经网络推广性能的影响,分析基于结构风险最小化的支持向量机。认为神经网络因其出色的高度非线性映射能力、自组织和适应能力、记忆联想能力,使得神经网络成为机器学习的重要研究领域。     

基于多重核学习支持向量机的歼击机故障诊断

为了提高歼击机故障诊断的准确性与实时性，提出一种基于决策树型组合策略的多重核学习支持向量机诊断方法，决策树型组合策略利用树结构解决多分类问题，而多重核学习支持向量机通过混合核空间，将线性约束下二次规划问题转化为二次约束下二次规划问题，实验结果表明：多重核学习支持向量机的诊断精度明显优于标准支持向量机，且支持向量的数目也较少，决策树型细合策略的引入可以提高歼击机故障诊断的诊断速度，基于决策树型组合策略的多重核学习支持向量机方法能够准确且快速地解决歼击机故障诊断问题。