苹果果梗和缺陷的识别技术研究

为解决苹果自动检测和分选中苹果果梗和缺陷的识别这一瓶颈问题，提出基于HIS颜色模型下亮度，的分布特性，从信号处理的角度确定苹果的果梗和缺陷区域．再提取区域纹理特征，构筑模拟退火神经网络作为模式分类器，区分果梗和缺陷．试验结果表明用该方法识别准确率接近90％．为苹果的在线检测和分级打下了良好的基础．     

一种基于SVR和RBF的实时检测系统的算法设计与实现

根据芯片生产线等场所的需要和现有人工监控手段以及国外基于支持向量机相关产品的缺陷,本文利用图像的二维矩不变量理论,将实时图像转换成为灰度图像后,用CANNY算子作边缘检测,并计算边缘检测图像的二维不变矩,再利用支持向量机的支持向量回归理论对二维不变矩进行训练和识别,提出了一种基于支持向量机(SVR)与径向基神经网络(RBF)的实时检测系统的设计算法,给出了算法实例和结果。从实验仿真结果和实际运行情况来看,算法的效果是令人满意的。     

基于三摄像系统的苹果缺陷快速判别

水果缺陷识别一直是计算机视觉水果实时分级中的研究热点,文中提出一种基于三摄像系统的逻辑判别缺陷的新方法．首先利用三摄像系统获取苹果在三个连续不同位置的9幅图像,然后对图像进行去背景、滤噪等预处理操作,再对图像进行缺陷的分割并加以标记,接着根据分割标记后的可疑区个数,对苹果缺陷的有无进行逻辑判别,即当这9幅图像中只要有一幅图像被分割出两个以上的可疑区,则判断该苹果有缺陷．试验结果表明,缺陷识别精度达到89．4％,另外由于该方法避免了缺陷和果梗或果萼直接识别,处理速度和正确率都得到了很大的提高,能够满足在线5—10个／秒的检测速度要求．     

基于分形维数和小波域特征的计算机生成图像检测算法

针对自然图像与计算机生成图像在统计特征上存在的差异, 提出一种基于分形维数和小波域特征的计算机生成图像盲鉴别算法, 该算法基于统计特征对图像进行真伪识别. 在使用支持向量机作为分类器的情况下, 对800张标准图像进行实验的结果表明, 该算法对计算机生成图像检测准确率达96.5%, 明显提高了计算机生成图像的识别精度, 为数字图像的真实性提供了保证.     

基于支持向量机的人脸识别身份验证技术研究

利用K-L变换首先对人脸图像进行特征参数提取,再利用支持向量机进行识别。由于支持向量机的推广性取决于核函数参数与误差惩罚因子的选择,为此采用思维进化算法对其参数进行优化选择,提出支持向量机与思维进化算法相结合的新型算法进行分类识别,算法解决了支持向量机参数选取的难题,利用ORL人脸库进行仿真实验,结果表明,基于改进的支持向量机的人脸识别技术识别效率高、方法有效。     

基于支持向量机的图像识别

支持向量机是统计学习方法,正成为当今研究的热点．支持向量机在模式识别和文本分类等方面获得了极大的成功,分类的准确率很高,用支持向量机的方法处理一些二值图像和灰度图像,能获得较好的统计结果．从中摸索出了一种特征向量集的选取方法,讨论了判断结果优劣的标准,比较了支持向量机方法与其他方法得到的结果,得出了重要结论：用支持向量机识别图像的边缘具有非常优异的统计性能．     

基于Gabor小波和支持向量机的人脸识别

提出一种将Gabor小波和支持向量机相结合的人脸识别算法。运用AdaBoost算法在复杂背景图像中快速准确地检测出人脸部分,进而用Gabor小波提取归一化人脸图像的特征。最后采用支持向量机进行人脸的分类识别。在ORL人脸库和CAS-PEAL-R1人脸库中对算法进行了测试,结果表明该算法识别率较高。     

基于支持向量机的预应力T梁压浆质量无损检测

利用超声波透射法对预应力T梁束孔管道的压浆质量进行无损检测,并采用以高斯函数为核函数的支持向量机模式识别技术对检测数据进行自动缺陷识别。在检测过程中,首先采用超声波透射法对T梁的压浆质量进行无损检测,接着建立SVM训练和测试样本库,利用该样本库训练得到SVM模型,最后用该模型对检测数据进行缺陷识别,经对识别结果进行开窗验证。研究结果表明:采用支持向量机算法识别结果准确、可靠;与人工神经网络算法相比,支持向量机算法在训练速度、可靠性等方面都表现出了优越的性能。     

基于支持向量机的栗属树种分类研究

形状特征是物体识别的重要依据。同时,分类算法的选择也将对识别的性能造成很大影响。围绕上述两个问题,以栗属树种的果实图像为例,在准确分割出目标图像的基础上,分别应用不变矩和边界矩提取其形状特征值,并使用支持向量机算法对栗属树种果实图像进行分类。实验结果表明：基于支持向量机的栗属树种果实图像分类识别准确率可达到87．5％,识别的结果较为理想。     

基于层次支持向量机和KICA的人脸识别

针对人脸图像的非线性特点,将基于核方法的核独立分量分析算法用于提取人脸图像特征.为避免多类支持向量机出现不可识别域,提出基于二叉树思想的层次支持向量机算法,用于多类人脸识别.将层次支持向量机和核独立分量分析算法相结合进行人脸识别,首先对人脸图像进行预处理和主成分分析法降维;然后运用核独立分量分析算法估算出独立基影像,从而得到人脸特征;最后将人脸特征输入层次支持向量机进行分类识别.在ORL人脸库上的仿真结果表明该算法较好地兼顾了识别率和运行速率.     

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。     

电力电缆介质击穿特性和状态监测方法

在对绝缘介质击穿特性分析的基础上提出了一种电力电缆状态监测方法．建立了含有缺陷点的绝缘介质击穿模型，指出电缆绝缘层内部及表面存在空洞、夹杂物和隆凸不平是缺陷产生的内在因素，缺陷点处的击穿概率较大．推断电缆的水树具有分形结构，属于有限扩散凝聚生长模型．借助于含有缺陷的绝缘击穿模型，利用电力系统固有的干扰作为信号源，直接测量电缆屏蔽层的损耗电流，监测电力电缆绝缘运行状态．仿真结果表明，当绝缘介质树化时，损耗电流的分形维数大于1，分形维数可作为判定电缆绝缘状态的依据．     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

基于卷积神经网络的高分辨率雷达目标识别

提出一种基于卷积神经网络(Convolution Neural Network,CNN)的高分辨率雷达目标识别方法.首先针对小样本应用于深度CNN时训练过程中损失函数值收敛速度慢的问题,利用结合批归一化算法的改进CNN网络对高分辨距离像(High Resolution Range Profile,HRRP)进行自动特征提取;再利用支持向量机(Support Vector Machine,SVM)对距离像特征进行分类.使用军事车辆高保真电磁仿真数据对提出的方法进行验证,识别结果证明了该方法的有效性.     

Fast Fractal Image Encoding Based on Special Image Features

The fractal image encoding method has received much attention for its many advantages over other methods, such as high decoding quality at high compression ratios. However, because every range block must be compared to all domain blocks in the codebook to find the best-matched one during the coding procedure, baseline fractal coding (BFC) is quite time consuming. To speed up fractal coding, a new fast fractal encoding algorithm is proposed. This algorithm aims at reducing the size of the search window during the domain-range matching process to minimize the computational cost. A new theorem presented in this paper shows that a special feature of the image can be used to do this work. Based on this theorem, the most inappropriate domain blocks, whose features are not similar to that of the given range block, are excluded before matching. Thus, the best-matched block can be captured much more quickly than in the BFC approach. The experimental results show that the runtime of the proposed method is reduced greatly compared to the BFC method. At the same time, the new algorithm also achieves high reconstructed image quality. In addition, the method can be incorporated with other fast algorithms to achieve better performance. Therefore, the proposed algorithm has a much better application potential than BFC.     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

基于改进SVM分类器的动作识别方法

利用智能手机加速度传感器信号,提出一种改进的动作识别方法以降低传统动作识别方法的复杂程度,提高识别率。在特征提取时用盲选法,即用PCA(principal component analysis)进行特征值的降维和去除多维间的干扰,而所选特征没有对应的物理意义;并在分类识别中将遗传算法应用到SVM(support vector machine)分类器参数优化中。通过实验表明,该方法能够对日常的走路、站立、跑及上下楼等动作进行准确的识别。     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

基于一类SVM贝叶斯算法的DS-UWB系统多用户检测研究

在多径多址条件下,用户自身的前后符号之间会产生码间干扰,同时各用户之间会产生多址干扰,从而给用户信号的正确检测带来极大困难。提出了一种基于一类支持向量机贝叶斯分类器的DS-UWB系统多用户检测算法,证明了基于径向基核函数的一类SVM的分类函数归一化为密度函数,并将所得的概率密度函数用于构造贝叶斯分类器。仿真实验表明,在UWB信道环境下本算法的误码率性能明显优于最小均方误差（MMSE）检测和解相关检测等线性检测算法。相比传统SVM算法,本算法所需的核运算量和存储空间要小得多,有效地降低了运算负载,抑制了多址干扰。