基于机器学习模型的多层土壤湿度反演

为了获取深层土壤湿度缺测值,采用支持向量机、BP神经网络和随机森林3种机器学习算法,在表层至深层土壤中利用主成分分析法选择与土壤湿度相关性显著的气象因子作为输入数据,建立多层土壤湿度反演模型反演了不同深度的土壤湿度。结果表明:随机森林模型模拟结果更加稳定,反演效果更佳;受气象因子驱动的影响,3种机器学习模型对地表0~10.cm深度内土壤湿度的反演效果更佳,对深层土壤湿度的反演效果随着深度增加而变差;增加表层土壤湿度及不同深度土壤温度作为驱动因子可以有效提高机器学习模型对深层土壤湿度的反演能力。     

基于人脸局部特征和SVM的表情识别

提出了一种基于人脸局部特征的表情识别方法．首先选取人脸重要的局部特征,对得到的局部特征进行主成分分析,然后用支持向量机（SVM）设计局部特征分类器来确定测试表情图像中局部特征,同时设计支持向量机（SVM）表情分类器,确定表情图像的所属类别．对JAFFE人脸图像数据库进行仿真实验．结果表明,该方法要优于一般的基于整体特征的人脸表情识别方法．     

基于稀疏编码和机器学习的多姿态人脸识别算法

为改善多姿态人脸识别效果, 设计一种稀疏编码和机器学习相融合的多姿态人脸识别算法. 首先对多姿态人脸进行采集和预处理, 并提取基于稀疏编码的人脸图像特征; 然后采用主成分分析对特征进行处理, 降低多姿态人脸识别的特征维数, 提高多姿态人脸识别效率; 最后采用机器学习算法中的支持向量机建立多姿态人脸识别 分类器, 并采用标准人脸数据库和多姿态人脸数据库对算法性能进行验证. 验证结果表明, 该算法可有效提高多姿态人脸识别正确率, 大幅度减少多姿态人脸的平均识别时间, 取得了比对比算法更优的识别结果, 从而验证了该算法的优越性.     

基于动柔度矩阵和支持向量机的井架损伤识别技术

动柔度矩阵是结构损伤检测的有力工具.支持向量机是在统计学习理论上发展出的一种学习机器,其针对小样本分类识别性能优越.提出了一套基于支持向量机和动柔度矩阵的损伤识别技术.对JJ160/41-K型石油井架模型进行了损伤实验研究,利用实验数据构建了分类识别支持向量机,并以数值仿真计算,验证了该技术的有效性.     

基于不变矩和SVM的步态识别

步态识别是生物识别领域的研究热点之一,文章首先提取步态序列图像的不变矩,并利用主成分分析法（PcA）进行特征处理,最后使用支持向量机（SVM）进行分类。通过在步态数据库上进行实验,达到了较高的识别率。     

基于时域统计特征的井眼碰撞识别方法

相同钻井条件下,钻头钻遇水泥环、套管的振动信号与钻进地层的振动信号的时域特征不同。提出一种基于时域统计特征的井眼碰撞识别方法,通过识别振动信号的特征差异,实现对钻头碰撞邻井井眼的及时预警。首先在时域上提取信号的分散特征和形状分布特征,然后利用主成分分析法对时域特征进行降维处理,进而得到主要特征成分,最后利用支持向量机对特征进行分类训练,以完成对钻进地层和钻遇水泥环、套管的自动识别。通过南海某钻井平台现场作业数据检验,验证了该方法的可行性,表明该方法可以加强海上丛式井作业的安全性。     

石油井架结构损伤的分步识别技术研究

针对JJ160/41-K型石油井架结构损伤识别问题,提出基于模态参数和支持向量机的分步识别方法,即先使用柔度矩阵方法进行井架结构损伤位置识别,再以柔度曲率差值作为损伤识别指标,应用支持向量机回归算法对已定位的损伤进行定量分析.仿真计算结果表明该技术可有效实现井架结构损伤的定位与定量分析.     

基于支持向量回归机的气象观测站优化模型

在保证足够信息量的前提下,针对合理减少气象观测站的实际问题,首先利用主成分分析(PCA) 降低样本数据的维数,其次利用支持向量回归机(SVR)对样本进行有效的回归,然后结合优化软件lingo对凸二次规划问题(与支持向量回归机相对应)进行求解,最终得出基于主成分分析-支持向量机回归预测优化模型。     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition, EMD)结合时域分析后使用主成分分析(principal component analysis, PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前5个本征模态函数(intrinsic mode function, IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines, SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

基于WSN的战场声目标多特征联合智能分类识别

本文利用WSN对战场声目标进行分类识别。由于战场上目标的声音信号构成非常复杂,采用单一特征很难全面反映其特点,提取多种特征来构成联合特征向量显得非常重要。然而简单的多特征联合识别,给识别带来维数灾难。本文提出,首先对滤波后的信号进行功率谱特征提取,再利用KPCA进行降维处理,将处理后的特征向量与最优小波包能量提取的特征向量组合,最后利用支持向量机完成对战场五类声目标的识别。仿真实验表明,采用这种方法能有效地提高分类识别的准确度。     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

基于主成分分析和球结构支持向量机的人耳识别方法

提出一种基于主成分分析和球结构支持向量机的人耳识别方法.首先将人耳从侧面人脸中提取出来,然后采用主成分分析方法对人耳图像进行特征提取,最后采用球结构支持向量及对人耳图像进行训练和识别.与传统的多分类方法相比,该分类方法识别性能更高,这为非打扰式生物特征识别提供了一条有效途径.     

基于主元分析与支持向量机的人脸识别方法

基于支持向量机（SVM）在处理小样本，高维数及泛化性能等强方面的优势，提出了一种基于主元分析（PCA）与SVM的人脸识别方法，利用PCA方法对人脸图像进行特征提取，再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别，剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。     

Combination Method of Principal Component Analysis and Support Vector Machine for On-line Process Monitoring and Fault Diagnosis

IntroductionOn-line process monitoring and fault diagnosis are keyfactor to ensure product quality and operation safety .Inlastdecade research, the approach of fault detection anddiagnosis could be classified into three categories[1 ,2]:methods based on causal models , methods based onknowledge and methods based on multivariate statistics .Forthe model method ,it is difficult toidentify model parametersand esti mate model states , especially for complex chemicalprocess ; whereas for knowledge …     

基于独立成分分析和支持向量机的入侵检测方法

提出了一种入侵检测方法,该方法采用独立成分分析方法获取入侵行为模式的高阶统计信息,并将输入模式空间映射到相应的独立成分空间,然后利用支持向量机对小样本、高维数据泛化能力强的特点,在独立成分空间中用支持向量机原理构造广义最优分类超平面.数值实验表明,所提方法可大大降低特征空间维数,具有较好的分类正确性.特别是当高斯核参数σ值在1~3之间时,利用该方法的漏检数仅为标准支持向量机算法的1/9,这说明它能有效地获取入侵行为的本质特征,对新的入侵行为有比较好的识别能力.     

基于支持向量机与主成分相结合的网页分类器

文章提出了一个新的新闻网页分类方法(WPCM),采用主成分(PCA)和熵值相结合的特征选取支持向量机(SVM)的分类方法.首先把网页用特征项权重予以表示,使用主成分方法抽取最相关的一些特征,然后从每一类中选择在该类具有代表性的词并计算这些词的熵,把两种方法提取的特征合并之后作为支持向量机分类器的输入,实验结果显示,该网页分类方法在体育类新闻中取得了良好的效果。     

基于主成分分析-相关向量机的高速公路路基沉降量预测

为解决高速公路路基沉降量难以获取的难题,提出一种基于主成分分析(principal compohent analysis,PCA)的相关向量机(relevance vector machine,RVM)路基沉降量预测方法。通过主成分分析法将多个易获取的土体常规物理参数降维成少数且独立的变量,借助相关向量机模型反映路基沉降量与4个主成分变量之间的非线性映射关系,建立基于PCA-RVM的高速公路路基沉降量预测模型。将该模型应用于工程实例,在同样学习样本情况下与4种神经网络预测模型对比分析,结果表明:PCA-RVM预测模型通过分析各因素的相关性与贡献率,将多个影响因素合理化为少数主成分变量,在信息筛选方面明显优于其余4种模型;各模型预测结果显示,在路基沉降量预测结果的相对误差及均方差方面,PCA-RVM预测模型均占据较大优势。PCA-RVM模型具有精度高、离散性小、可靠度高等优点,为高速公路路基沉降量预测提供了一种新方法。     

鲁棒主元分析和稀疏表示方法在模拟电路错误检测中的应用

模拟电路错误检测问题,即重点是检测出模拟电路芯片存在错误后确定错误元件或参数的问题,对于进一步明确错误产生原因,在设计或制造中加以改进,有重要的意义.经典做法是通过预先设置错误,并仿真得到其对应的响应数据,构造"错误字典",然后将测试信号与错误字典进行比对,识别其属于哪一类错误类型.本文提出一种基于数据稀疏表示方法来进行错误类型识别的新方法,它计算属于不同错误类型的数据在所有类型的数据构成的空间中的展开向量,根据得到的稀疏向量来判断其所属错误类型.对于稀疏表示方法无法进行准确分类识别的情况,采用SVM作为二级分类器进行修正.存在某些错误类型,其响应数据构成的空间之间线性相关性较强,对于稀疏表示后属于其中之一类型的数据,采用传统的SVM方法来加以辅助分类.在两个实验例子中,与SVM,Ada Boost以及没有加SVM辅助分类的单纯稀疏表示方法相比较,本文方法有更高的错误类型识别正确率.     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。