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．     

最小二乘支持向量机在汽车动态系统辨识中的应用

汽车转向时动态系统参考模型对于汽车稳定性的控制有重要影响．基于最小二乘支持向量机算法,应用网络搜索和交叉验证的方法选择支持向量机参数,并将其应用于汽车转向时的非线性动态系统辨识,取得了良好的辨识效果,建立的参考模型能够较充分地描述汽车动力学行为。     

金佛山岩溶生态系统初步探讨--岩溶泉水化学特征分析

从岩溶水化学性质方面对金佛山岩溶生态系统作了初步的分析,选取了两个具有代表性的岩溶泉进行对比性加密观测,结果表明：不同海拔高度出露的岩溶泉水化学性质和岩溶强度存在较大不同;具有不同海拔高度的小鲵泉和双龙泉水化学性质随时间变化的稳定性出现较大差异。     

苔藓土壤动物种群动态的初步研究

本文是１９９２～１９９３年对上海市区苔藓土壤动物调查和研究的结果。重点对苔藓土壤动物优势种属及常见类群的季节动态进行了描述,并初步分析了各种生态因子对苔鲜土壤动物种群季节动态影响。结果表明,土壤温度、湿度和苔藓植物的生长状况对土壤动物种群季节动态有明显影响,优势种跗线螨和常见种覆盖头甲螨,作为苔藓土壤动物的代表种,对高温、干旱、低温等不利环境因素,表现出极强的忍耐力和快速繁殖能力。     

多功能机床电机保护器的研制

多功能机床电机保护器,对供电电源的过电压、断相,对电动机的过载、过热、绕组短路与断相,对机床电气设备的漏电,都能进行自动检测,并及时切断电源,因此,它能有效地保护机床及其供电线路。该保护器已投入使用,并取得很好效果。     

应用支持向量机处理岩土材料的细观图像

应用数字图像处理技术提取非均质岩土材料的细观特征是量化其细观结构的有效途径。为提高图像处理的质量和效率,在进行数字图像处理的阈值分割时,采用统计学习理论中的支持向量机分类方法。选取待原始图像的一个矩形区域作为训练样本图像,提取这些样本点的特征与训练目标一起组成训练样本集,通过对训练样本集的学习,生成SVM(support vector machine)分类机,利用SVM分类机提取原始图像中的特征图像。以花岗岩为例,利用该方法提取其细观结构,结果表明,合理选取训练样本和模型参数,可以提高图像处理的准确率和效率,得到最佳的处理结果。     

一种基于支持向量机的非参数双响应曲面法

现有非参数双响应曲面法只注重提高模型的拟合性能而忽视提高泛化性能，对于复杂工业过程的质量优化和稳健设计应用效果不佳．为此提出了一种新的非参数双响应曲面法．首先采用均匀空间网格形式取样，然后利用支持向量机来拟合过程的均值和方差响应，并且通过比较不同拟合模型的泛化误差上界来优化支持向量机的参数．与基于核函数和基于人工神经网络的非参数双响应曲面法对比结果表明：实验设计方式相同时，该方法的平均泛化误差分别降低了31．0％和51．8％；而泛化误差相近时，平均样本量分别降低了35．0％和48．6％；对不同取样方法的泛化性能研究表明，在没有先验知识时，均匀空间网格是一种可接受的实验设计方式．由此说明了该方法的适用性与优越性.     

中文文本分类方法比较研究

中文文本分类是中文信息处理过程中的关键技术。本文介绍了中文文本分类的基本过程和基本原理,讨论了朴素贝叶斯（NB）、K-最近邻（KNN）、支持向量机（SVM）这三种中文文本分类方法,并对这三种分类方法进行分析和比较。     

基于双支持向量机的偏二叉树多类分类算法

提出一种基于双支持向量机的偏二叉树多类分类算法,偏二叉树双支持向量机多类分类算法.该算法综合了二叉树支持向量机和双支持向量机的优势,实现了在不降低分类性能的前提下,大大缩短训练时间.理论分析和UCI（University of California Irvine）机器学习数据库数据集上的实验结果共同证明,偏二叉树双支持...     

汇率预报的非线性组合建模与预测方法研究

近年来的经济统计研究表明,组合预测比单项预测具有更高的预测精度,但线性组合预测方法在汇率的组合建模与预测方面存着较大的局限性。本文提出了一种基于支持向量机回归(SVM)的汇率非线性组合建模与预测新方法,并讨论了建模中SVM核函数、损失函数的选取和容量控制等问题。对于英镑、法郎、瑞士法郎、日元对美元等汇率时间序列的组合建模与预测结果表明,该方法具有很强的学习与泛化能力,在处理外汇市场这种具有一定程度不确定性的非线性系统的组合建模与预测方面有很好的应用价值。