基于数据融合的大型输电铁塔结构损伤识别

对输电铁塔进行损伤识别研究,可以提高其可靠性与安全性,避免重大事故的发生.将模态柔度差和模态柔度改变率引入到输电铁塔的损伤识别研究中,在单损伤和多损伤情况下,完成了某500kV输电铁塔的损伤位置识别.为了提高结构损伤识别的准确性,在铁塔损伤识别中引入多传感器数据融合技术,提出了基于数据融合的铁塔结构损伤识别方法,将模态柔度差、模态柔度改变率和模态曲率差3种损伤指标进行数据融合处理,融合后的铁塔损伤识别结果可以克服柔度指标在多损伤工况特征不明显和误判的情况,识别效果较单一指标得到了很大的改善.     

一种基于支持向量机的结构损伤识别方法

提出了结合随机振动响应互相关函数、小波包分解和支持向量机(support vector machine,SVM)的结构损伤识别方法,计算了相邻测点响应的互相关函数幅值.采用小波包对得到的幅值进行分解,得到各个频带上的总能量;利用各频带上能量值存在的差异性作为输入到分类器的特征向量,训练SVM模型并对结构的损伤进行识别.应用该方法对Benchmark模型结构进行损伤判别,实验通过对比其他基于SVM的方法,结果表明该方法具有较好的识别精度.     

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.     

基于支持向量机的缺陷识别方法

针对缺陷检测存在的检测手段落后、工序繁琐、准确率低、不易在线实施、受人为因素影响，以及用人工神经网络对小样本事件进行缺陷识别存在的过学习、推广性差等问题，从数据挖掘的角度，提出了直接从形成缺陷的影响因素着手，先消除工艺参数的冗余和噪声，再运用支持向量机分类算法，进行自动缺陷识别的新方法。通过具体的试验表明：该方法具有成本低廉、准确率高、推广性强、容易在线实施等技术优势。     

基于结构响应向量与支持向量机的桥梁损伤识别方法

针对基于结构动静态响应的损伤识别方法研究不够深入、结构动态响应对噪声比较敏感,从而极大影响损伤识别效果的问题,提出一种基于结构响应向量(SRV)与支持向量机(SVM)的损伤识别方法,引入主成分分析(PCA)提高方法的抗噪性,并利用简支梁和实际桥梁模型验证方法的有效性。结果表明,基于结构动静态响应组成SRV的识别效果和计算效率更优,结合PCA可以提高方法的抗噪性,并且能在所需响应信息更精练的基础上对实际桥梁模型进行良好的损伤识别。     

基于支持向量机的结构损伤识别研究

支持向量机(SVM)是一种针对分类和回归问题的统计学习理论,能有效地解决模式识别中的分类问题.该文提出了基于支持向量机的结构损伤识别方法:以归一的频率变化比(NFCR)和归一的损伤指标(NDSI)作为特征参数,训练支持向量机进行损伤识别.用一个12层钢混框架有限元数值模型进行验证,同时分析了影响SVM模型性能的主要因素.结果表明,本文提出的方法具有较高的损伤识别能力,而核参数的选择对识别精度有较大影响.     

基于模糊支持向量机的飞机蒙皮损伤识别方法

针对目前飞机蒙皮无损检测,目视检测存在人为因素影响严重,其他检测手段检测成本高,检测过程复杂。采用基于飞机蒙皮图像灰度共生矩阵的检测方法,通过机器视觉系统,采集飞机蒙皮图像,建立了正常、裂缝、腐蚀和撞击四种飞机蒙皮图像库;根据飞机蒙皮不同损伤表面纹理不同,提取图像的灰度共生矩阵,提出了基于样本紧密度模糊支持向量机的蒙皮图像损伤识别方法。该方法在欧氏空间考虑损伤样本类别的距离度量特性,通过定义模糊连接度,提高了样本的区分度。实验表明,采用样本紧密度模糊支持向量机识别率要优于支持向量机以及普通模糊支持向量机,蒙皮损伤识别率可以达到93.333%。     

基于支持向量机的交通标志识别方法研究

提出一种基于支持向量机的交通标志识别算法。该算法利用交通标志的形状和颜色特征,对在环境中的交通标志图像进行交通标志定位和种类划分,然后利用Hu不变矩对各种类中的交通标志进行特征值提取。最后将特征值输入到支持向量机中,利用支持向量机良好的学习和泛化能力对交通标志进行识别。实验结果表明此方法对交通标志识别准确性很高。     

基于支持向量机的空白试卷识别方法

通常情况下,很难用试卷扫描图像的像素灰度值来直接区分空白试卷和非空白试卷.应用支持向量机方法可以有效地识别空白试卷.建立了两个二维线性可分的支持向量机,一个是以图像像素灰度值列向量的标准差的最大值和行向量的标准差的最大值为特征的支持向量机1,另外一个是以图像像素灰度值列向量的标准差的标准差和行向量的标准差的标准差为特征的支持向量机2.在实际应用中,大部分空白试卷应用支持向量机1来识别,对个别的位于支持向量机1的分类间隔(margin)内的试卷样本,支持向量机1有可能出现识别错误,在这种情况下,应用支持向量机2作进一步识别.此方法在HSK空白试卷识别中取得了很好的结果.     

基于支持向量机的分级调制识别方法

目前大部分调制识别方法存在计算量过大和分类器训练困难等问题.针对这一现状,提出了一种基于支持向量机(SVM)的分级调制识别新方法.将接收信号的累积量和瞬时频率统计量作为分类特征参数,并利用支持向量机作为分类器对其进行分级调制分类.该方法相比其他非分级调制识别方法具有较低的计算复杂度和较快的分类器训练速度,并且对于载波频率偏移、相位抖动以及Gauss噪声均具有良好的鲁棒性.计算机仿真表明,针对ASK、FSK、PSK、QAM等11种数字调制信号,当噪声采用Gauss白噪声,并且信噪比≥5 dB时,正确识别率高于95%.     

基于支持向量机(SVM)的工业过程辨识

将支持向量机应用到典型的时变、非线性工业过程——连续搅拌反应釜的辨识中，并与BP神经网络建模相比较，仿真结果表明了支持向量机的有效性与优越性．支持向量机以其出色的学习能力为工业过程的辨识提出了一种新的途径。     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

支持向量机方法在人脸识别中的应用研究

讨论了把支持向量机的方法用于人脸识别.采用SVM方法进行人脸识别研究,将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题,克服了传统svM方法在解决多分类问题上的一些缺陷支持向量机能有效地解决过学习问题,具有良好的推广性能和较好的分类精确性.介绍了支持向量机方法用于人脸识别的主要处理流程.     

基于遗传算法的支持向量机人脸识别技术

人脸识别身份验证技术是目前一个非常活跃的研究课题.文章针对人脸识别系统涉及到的人脸特征提取、识别验证等环节,利用K-L变换首先对人脸图像进行特征参数提取,并提出用支持向量机与遗传算法相结合的新型算法进行分类识别,利用遗传算法自动选择最优的核函数参数,将以上方法相结合的新型人脸识别方法的实验结果表明,该方法所得参数确定的SVM具有较优的识别率,其整体性能优良.     

基于信息几何学概念的支持向量分类机

讨论了信息几何学中的子流形和嵌入概念,从信息几何学的角度分析了核函数的几何结构,通过共形变换构建数据依赖的核函数,使得特征空间在支持向量附近的体积元缩小,以改善支持向量分类机的机器性能,仿真结果表明了方法的有效性.     

基于分类的模糊支撑向量机

基于分类的支撑向量机可以通过训练，找到2类训练点的分界面．一般2类点都是确定的，但是，在实际情况中，训练点不可能很确定的属于某一集合(具有模糊性)，使得每个训练点包含的信息量也不同，传统的支撑向量机算法无法处理这类问题．给每个训练点定义了点模糊度概念，利用点模糊度来度量它包含的分类信息，由此确定点在训练中所占的权重，使包含不同信息量的训练点，在训练中起不同作用，从而得到了一种有效处理包含模糊训练点的算法．     

利用小波分解和支持向量机的心理意识真实性识别研究

采用小波分解和支持向量机(SVM)技术,提出了一种对说谎脑电(EEG)信号特征进行分类的方法,将其应用于心理意识真实性的检测,获得了满意的结果.以真伪已明确的有意义的个人信息(如姓名、生日)作为被测试的隐藏信息,应用隐藏信息(CIT)测试模式对15名受试者各进行两组测试,并记录其脑电(EEG)信号.提取了探测刺激和无关刺激诱发EEG信号的小波系数,并应用具有统计学意义的特征参数作为SVM分类器的输入进行识别分类.实验结果显示,应用leave-one-out交叉验证法对30组样本数据进行训练测试,获得平均正确识别率为88.3%.因此,该方法可以作为一种心理意识真实性检测的新方法,具有无创、较高正确检测率等优点.     

Predicting and Classifying User Identification Code System Based on Support Vector Machines

In digital fingerprinting, preventing piracy of images by colluders is an important and tedious issue. Each image will be embedded with a unique User IDentification （UID） code that is the fingerprint for tracking the authorized user. The proposed hiding scheme makes use of a random number generator to scramble two copies of a UID, which will then be hidden in the randomly selected medium frequency coefficients of the host image. The linear support vector machine （SVM） will be used to train classifications by calculating the normalized correlation （NC） for the 2class UID codes. The trained classifications will be the models used for identifying unreadable UID codes. Experimental results showed that the success of predicting the unreadable UID codes can be increased by applying SVM. The proposed scheme can be used to provide protections to intellectual property rights of digital images aad to keep track of users to prevent collaborative piracies.