支持向量机算法用于癌症数据建模

支持向量机算法(Support Vector Machine)是基于统计学习理论(SLT)发展起来的新一代机器学习方法,并被成功地应用到很多模式识别问题中。文中支持向量机分类算法用于卵巢癌病变与非卵巢癌病变质谱数据建模。对卵巢癌数据进行判别预测,预报正确率达到98%。通过与KNN、神经网络等算法的预报结果相比较,其预报能力强于KNN、神经网络算法在这个问题中的应用,为支持向量机算法可以应用于癌症疾病辅助检测提供一例证。     

基于I-ELM的飞机复合材料结构损伤识别研究

针对飞机复合材料结构损伤难以有效识别问题,本文提出一种基于增量型极限学习机(Incremental Extreme Learning Machine,I-ELM)的飞机复合材料结构损伤识别新方法。首先对某型机用复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法对募集的应变信息进行自适应分解,得到多个本征模态分量(Intrinsic Mode Function,IMF),计算各阶IMF分量的样本熵,通过核熵成分分析(Kernel Entropy Component Analysis,KECA)方法对样本熵进行特征融合,构建融合特征向量,采用融合特征向量建立基于I-ELM损伤识别模型,通过实验对损伤识别模型的有效性进行了验证,并与所构建的BP的损伤识别模型的识别结果进行了比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的应用前景。     

机器学习在智能管理系统中的应用探索

尽管计算机管理技术有了很大进展,但仍然存在许多问题,如:不满足多层次用户的管理需要、不具备多方面的管理功能、不适应多阶段的管理过程、人机不够协调、智能化水平不够高等.智能管理系统是人工智能与管理信息系统相结合的产物,具有自动处理和自适应能力.探讨了智能管理系统的发展及分类,提出了应用机器学习来解决问题的方法.     

基于K近邻的支持向量机多模型建模

单一的支持向量机在建模时存在一定的局限性,对于复杂的实际数据,不能很好地提取其中的信息,导致模型泛化性能较差,为此提出基于K近邻的组合支持向量机方法。该方法首先采用简单距离分类方法对经过主元分析的样本数据进行分类,并采用K近邻算法得到支持向量机子模型的组合参数,进而建立起基于支持向量机的多模型。将该方法应用于双酚A生产过程中质量指标的软测量建模,仿真结果表明基于K近邻方法的支持向量机多模型建模可以有效提高模型的泛化性能,并验证了该算法的可行性和有效性。     

中文字符识别系统的研究与实现

为提高字符识别率,将 DAG-SVM(Directed Acyclic Graph Support Vector Machine)算法应用于字符识别, 提出了一种基于 DAG-SVM 的 OCＲ(Optical Character Ｒecognition) 中文字符识别系统,分别对图像预处理、 分割,字符识别 3 个模块进行了研究与实现。图像预处理采用图像滤波、灰度化处理、图像归正; 图像分割包 括二值化处理、横向及纵向分割; 字符识别模块对当前流行的三大类算法进行了研究,选用 DAG-SVM 作为字 符识别的算法,并基于 Matlab 进行了实现及验证。结果表明该系统 OCＲ 字符识别率达 92． 86%。     

传感器网络中信息驱动路由算法研究

传感器网络集成了传感器、计算机和网络三大技术,是一种全新的信息获取和处理技术。信息驱动路由就是基于信息的内容和通信开销来决定节点的选择,以达到优化信息获取和降低通信开销的目的。介绍了几种信息驱动路由的具体算法,并对其进行了分析比较。     

无线传感器网络中任务调度算法的研究

近几年,无线传感器网络能够实时监测和传输环境数据信息变得日益重要,尤其在民用和军事领域得到很广泛的应用.无线传感器网络具有传统网络无可比拟的优势,每个传感器节点用来感知周围环境事件和采集数据,并将采集的数据通过一跳或者多跳路由传给簇头节点或者接收器节点,然后发送到基站或数据中心进行处理.假定每个节点对信息的处理看作是一个任务,考虑节点能量限制,节点采用唤醒/休眠机制,在唤醒期间确保节点任务完成,簇头节点能够调度处理多个传感器节点的任务.文中解决的问题:在满足多个传感器节点任务处理的截止期失效前,簇头节点如何合理的调度任务,提出了改进的 RM(rate-monotonic) 调度算法和动态的抢占式最早截止期优先任务调度算法 (Preemptive Earliest Deadline First Algorithm,PEDFA).通过具体任务实例说明算法的实现过程,结果表明该算法运行简单,能够很好减少节点任务的延迟时间,实现节点任务的合理调度.     

光纤电压传感器分析及实验研究

光纤电压传感器可以用于电网电压的监测和保护.本文对体调制型光纤电压传感器原理进行了分析,提出当考虑被测电压为交流正弦波时,有效值的线性测量范围大于瞬时值的线性测量范围,并分析了传感头各器件的取向对测量范围和非线性失真的影响,得到了提高信噪比的途径,确定了获得最高信噪比和最小非线性失真的最佳取向     

光纤传感器及其研究现状

光纤传感器是近几年来出现的集光学、电子学为一体的新型传感器。本文主要介绍了光纤传感器的结构、原理、特点以及目前的研究现状和发展方向。     

通过PET-CT图像纹理特征预测软组织肉瘤转移性

提出了一种针对软组织肉瘤转移性预测的辅助诊断方法,该方法通过对患者的FDG-PET和CT诊断图像进行纹理特征分析,共提取了105个特征,其中包括灰度共生矩阵的24个特征和其他81个灰度等级的特征,分别利用支持向量机、K近邻和随机森林等机器学习算法建立预测模型,并采用网格搜索法对其参数进行优化.最后使用留一交叉验证法对各...     

基于字典投影学习的人脸识别算法

针对字典学习l0或l1范数的稀疏约束导致训练和测试阶段较高的复杂性,提出用于人脸识别的字典投影学习算法.该算法合成和分析字典,达到信号表示和分类.实验结果表明,与传统的DL方法相比,所提出的DPL方法大大降低了训练和测试阶段的时间复杂度;与KNN算法相比,具有较高的识别精度和较好的稳定性.     

流形学习方法及其在头部姿势估计中的应用

流行学习是一种新的数据降维方法,能揭示数据的内在变化规律,其目标是发现嵌入在高维数据空间中的低维流形结构,并给出一个有效的低维表示。目前流形学习以其出色的数据约简与可视化能力得到了越来越多模式识别与机器学习工作者的重视。本文介绍了一些常用的流形学习算法,分析了这些算法的优缺点,并利用流形学习中的局部线性嵌入(LLE)算法于头部姿势估计,取得了较好的识别效果。     

支持向量机及其在自然语言处理中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法,因其独特的优势和出色的学习性能,显现出广泛的应用前景和重要的研究价值.较为系统地介绍了统计学习理论和支持向量机的概貌,以及目前支持向量机方法研究的现状,并重点介绍了支持向量机在以汉语专有名词自动识别为例的自然语言处理领域的应用.     

基于梁板检测的光纤传感器协同变形研究

光纤传感技术以其良好的耐久性和稳定性被广泛应用于道路工程和桥梁工程的健康监测中。通过对光纤传感技术在桥梁检测中的技术原理、方法优势进行研究,发现由于光纤传感器本身模量突变的原因,采集的信息与结构面的真实信息存在较大差异。因此对检测结构面与光纤传感器之间的协调变形性能的研究成为应用的前提和基础。通过ABAQUS建立变形评价的数值模拟模型,对沥青混凝土梁板结构中应变值与光纤传感器的实测应变比较,得出了光纤光栅应变传感器实测应变的有效性,为光纤传感器应用奠定理论基础。     

Coverability of Wireless Sensor Networks

The coverability of Wireless Sensor Networks (WSNs) is essentially a Quality of Service (QoS) problem that measures how well the monitored area is covered by one or more sensor nodes.The coverability of WSNs was examined by combining existing computational geometry techniques such as the Voronoi diagram and Delaunay triangulation with graph theoretical algorithmic techniques.Three new evaluation algorithms,known as CRM (Comprehensive Risk Minimization),TWS (Threshold Weight Shortest path),and CSM (Comprehen...     

一种无线传感器网络与传统IP网络的集成新方案

无线传感器网络(WSN)能够实时监测、感知和采集各种环境或监测对象的信息,并通过自组织无线通信网络以多跳中继方式将所感知信息传送到用户终端。目前实际的用户终端通常处在远离WSN的传统IP网络(如Internet)上,因此将WSN与传统IP网络融合是一个具有重要意义的课题。提出一种能够面对多种挑战的WSN与传统IP网络的集成方案,该方案采用用户代理、应用代理、注册代理、资源管理器架设WSN与传统IP网络之间的桥梁。通过对组件描述和查询操作流程分析可以看出本文提出的集成方案能灵活、可靠、低能耗地使传统IP网络中各种不同种类的应用能够尽可能快速地得到WSN的查询服务。     

废墟搜救机器人形位检测系统

提出一种应用于废墟搜救机器人的空间形状重建与搜救目标定位的方法.为了重建3.5 m机器人本体空间的曲线形状,自主设计了一根大长度的光纤光栅(fiber Bragg grating,FBG)曲率传感器来检测空间曲率信息,把离散的空间曲率拟合成空间曲线来实现形状重建.采用电子罗盘检测形状重建基准点的空间姿态,最终实现搜救目标的定位.经过实验数据分析可知,该形位检测系统的目标定位误差为10 cm左右,基本满足废墟中搜救机器人对搜救目标的定位要求.通过加入三轴电子罗盘的位姿检测,使得形位检测系统更加有效和实用.     

压力传感器数据融合算法研究

传感器存在的交叉灵敏度,运用BP网络对数据进行融合,可以有效降低非目标参量对输出特性的影响．MATLAB中提供了多种针对BP网络的训练方法,运用其中的变梯度法、拟牛顿法和LM法分别对压力传感器进行数据融合,比较其结果可以得出：LM算法可以有效地克服局部收敛,更好地提高压力传感器的稳定性和可靠性．     

基于R-ELM-C的大样本集成分类算法

由于信息技术的飞速发展,在实际的数据处理过程中,单个分类器往往不能满足：(1)要求越来越高的数据分类精度和运行速度;(2)更强的泛化性能;(3)有效地适用于大样本数据分类。该文将旋转森林算法(Rotation-Forest, ROF)与极限学习机(Extreme Learning Machine, ELM)相结合,有效地解决了旋转森林算法中过拟合现象的发生,同时也提高了算法的分类性能。最后通过UCI数据集的实验验证表明,和传统的集成分类算法相比,该算法(R-ELM-C)与Bagging、Adaboosting、Rotboost、ROF、ELM等算法相比,具有更好地分类性能、稳定性与泛化性能,同时也适合于大样本数据分类。     

基于黏菌优化极限学习机的煤矸石多光谱识别

煤和矸石的精准辨识是煤矸分选和煤炭清洁高效利用的重要前提,针对传统方法存在效率低、需加装辐射 隔离以及受环境干扰等诸多不足,提出了基于多光谱图像特性和光谱特性来识别煤和矸石,构建黏菌优化极限学 习机(Slime Mold Algorithm Extreme Learning Machine,SMA-ELM)的分类模型。 搭建多光谱数据采集系统完成煤与 矸石的光谱图像采集,通过 LBP 对光谱图像进行特征提取并使用 PCA 主成分分析对提取后的特征向量降维,输入 SMA-ELM 分类模型、蚁狮优化极限学习机(Antlion Algorithm Optimized Extreme Learning Machine,ALO-ELM)分类 模型、鲸鱼优化极限学习机(Whale Algorithm Optimized Extreme Learning Machine,WOA-ELM)分类模型进行对比, 重点研究不同波长响应下煤和矸石的辨识精度来筛选最佳波长,通过多评价指标对优化后的最优波段进行比较。 实验结果表明, SMA -ELM 分类效果最佳,第 6 波段为最优波段, SMA - ELM 在该波段的平均识别准确率为 95. 08%,煤和矸石的识别 F1-Score 分别为 96. 47%和 92. 68%,用时 10. 6 s。 所提出的方法可以实现煤和矸石的精 准识别,这对煤和矸石的智能分选具有重要的研究意义。