基于手机传感器的交通状态识别研究

准确获取交通状态是实现智能交通的重要环节之一.为实时检测车辆行驶状态,进而提取出当前道路的运行状况,来研究基于手机传感器的车辆行驶状态数据收集及交通状态识别.首先,应用手机内嵌的加速度传感器获取车辆的实时行驶状态数据,然后构建基于SVM的交通状态识别模型.最后,利用一组真实的车辆运行状态数据集,验证提出的交通识别模型,获得了良好的识别性能,平均准确率达到89.05%.     

应用支持向量机的交通流状态预测方法研究

支持向量机（support vector machine,sVM）是近年来出现的立足于统计学习理论（statislical learning theory,SLT）的VC维理论和结构风险最小化原则基础上的机器学习方法,在数据挖掘及分类中具有特点和优越性．为了提高交通流状态预测的精度及效率,研究支持向量机应用于数据泛化及分类的方法,并建立模型,在实测数据的基础上进行交通流状态的判定及预测．实验结果表明该方法学习及预测速度快、效率高,并且误差可控,具有较高的精确度（本文中实例精度高于95％）,应用前景广泛．     

基于BP神经网络与支持向量机的高速公路交通模式识别

回顾了几种传统的交通事件检测算法,提出一种新的交通模式识别方法:即从多层前向人工神经网络角度建立模型,运用BP算法予以实现,获取交通流参数的残差。再应用支持向量机良好的分类性能将残差所预示的交通模式予以分类,并与传统BP算法进行比较之后,发现此方法具有检测率高、误报率低、检测时间短的优点。     

基于抗白噪声理论的支持向量机

支持向量机（SVM）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.具有泛化能力强,全局最优等特点.我们针对于传统的支持向量机算法忽略了当采取的训练集中有噪声干扰的情况,通过改造原有的经验风险和调节核函数中的参数,达到抑制或者减弱随机噪声干扰的目的,并具体地给出了抗高斯白噪声的支持向量机模型.     

基于力信息的机器人接触状态下作业的技能学习

为实现机器人接触状态下作业的演示编程，使机器人获得人的基于力信息的作业技能，首先提出了描述接触状态的元素接触形式，用元素接触形式序列建立技能模型，根据不同的接触形式具有的不同腕力分布，利用支持向量机(SVM)对不同的元素接触形式进行辨识，在此基础上机器人获得人在接触状态下的作业技能，实现了演示编程方法中最关键的一步。     

基于核方法的复杂设备运行状态监测技术

分析了复杂机械设备运行状态监测中遇到的困难，介绍了基于核的特征提取方法和基于支持向量机的模式识别理论，指出：将核方法应用到状态监测中有望解决其中的非线性、不精确性和不确定性问题，为该领域的研究提供了全新且可行的研究途径。     

基于Gabor小波和模糊支持向量机的嘴巴识别方法

提出了一种结合gabor滤波和模糊支持向量机进行嘴巴状态检测的方案.首先用gabor小波对人脸图像进行特征提取,从而得到嘴巴特征图像,然后在特征空间中,用FSVM设计嘴巴状态分类器.实验结果表明,该算法能够取得较好的分类效果.     

基于FA-SVM的高速公路交通事件检测方法

为了剔除交通数据样本有限、事件特征变量构建相对主观且包含的信息冗余等因素对交通事件检测效果的影响,设计了一种高速公路交通事件检测方法.利用因子分析技术将交通流数据初始特征变量"降维"并提取包含全部原始数据信息的特征变量主因子;利用支持向量机完成事件检测,结合libsvm软件中的grid. py模块实现支持向量机子模型相关参数的设定;选用Fresim软件的模拟数据进行对比分析.检测结果表明,所提出的算法检测效果优势明显.     

基于进化支持向量机的机械状态预测

为了解决在历史样本数据有限情况下,传统预测方法预测精度低以及支持向量机预测中人为选择参数的盲目性,结合遗传算法和支持向量机的优势,建立了进化支持向量机预测模型。利用该模型对某型电铲发电机组的振动趋势进行预测,研究结果表明,该方法能自动优化参数,提高了预测精度。该方法可应用到其他时间序列预测中,具有较高的应用价值。     

基于小波变换和支持向量机的心电信号ST段分类

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。     

基于支持向量机的增量学习算法

通过对支持向量机KKT条件和样本间关系的研究,分析了新增样本加入训练集后支持向量的变化情况,提出一种改进的Upper Limiton Increment增量学习算法.该算法按照KKT条件将对应的样本分为3类:位于分类器间隔外,记为RIG;位于分类间隔上,记为MAR;位于分类间隔内,记为ERR.并在每次训练后保存ERR集,将其与下一个增量样本合并进行下一次训练.实验证明了该算法的可行性和有效性.     

采用两阶段策略模型(KTSVM)的P2P流量识别方法

针对识别加密P2P网络流量比较困难的问题,提出一种基于K均值和直推式支持向量机(TSVM)的半监督学习模型———两阶段策略模型(KTSVM,k-means based transductive supportvector machine),以提高P2P流量的识别精度.该模型首先使用K均值半监督聚类算法计算训练集中正例样本的数目,然后根据正例样本的数目来训练TSVM分类模型,提高了TSVM模型的稳定性和准确性.该模型的优势是可以使用未标注样本和标注样本共同训练分类模型,非常适合于识别标注比较困难的P2P流量.实验结果表明,在标注样本较少的情况下,该模型的识别精度和稳定性均优于TSVM模型和SVM模型.     

基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通智能运输系统和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.     

基于支持向量机的城市道路交通拥堵判别算法研究

近年来,城市交通拥堵现象越发严重,研究分析了国内外大量关于城市交通拥堵界定与判别的基础上,基于模式识别理论中支持向量机分类算法设计提出一种"畅行"、"一般拥堵"及"严重拥堵"道路拥堵三分类研究模式。以南京市虎踞路这一城市主干道路段为算法实例研究对象,结合实测采集和Vissim仿真拥堵交通流数据,借助Matlab实现设计算法的城市道路拥堵分类和判别,实验结果表现出较好的分类和检测效果,表明设计算法应用城市拥堵判别是可行的,且可以进一步优化提高。     

基于最近邻法的短时交通流预测

针对交通流量变化存在周期性和随机性的特点，提出一种基于最近邻法的预测方法．着重介绍了状态向量构造、近邻范围确定和权重计算方法三方面的研究．根据流量与速度、占有率的关系，认为状态向量中不必考虑速度和占有率这两个交通参数；与传统最近邻法不同，近邻的个数不设为常量，而取决于所能搜索到的记录数；通常根据距离远近赋予权重的规则不可靠，而采用了等权重法．通过实际数据检验，预测误差低于7％．     

基于交通信息提取的区域交通状态判别方法

为了准确判别区域路网的交通状态,提出了基于交通信息提取的区域交通状态判别方法．在分析区域路网交通流宏观特性的基础上,结合区域路网的拓扑结构与交通流特征,提出区域交通状态判别指标体系,并基于可拓学建立了区域交通状态判别模型．以一个主干道区域路网为例,验证了路网交通状态判别方法的有效性．该交通状态判别方法可应用于在线交通状态分析和历史数据库交通运行特征的提取,为交通管理决策提供了基础信息．