基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

基于BP神经网络对念珠藻摇瓶培养条件的优化

利用均匀设计就pH、装液量、接种量和光强等影响念珠藻生长的因素进行研究,并以所得的数据为样本建立一个结构为4-6-1的神经网络.当网络的学习速率为0.08,动态参数为0.8,SIGMOID参数为0.8,隐含层神经原数为6时,网络的拟合平均误差为2.24%.在固定装液量为100 mL的条件下,利用该网络优化念珠藻的培养条件,得到最优的培养条件为pH7.4,接种量1.5 g/L,光强5 700 lx,生物量达到1.702 3 g/L.     

基于遗传算法的SVM-AR改进模型与应用

为提升河流流量的预测精度,将支持向量机与AR进行耦合,并构造三核混合核函数的流量预测支持向量机模型。以渭河流域的月径流量为例,首先,通过时间序列分析,将渭河流域的径流序列划分为趋势序列、季节序列和随机波动序列,然后利用AR模型构造适用于支持向量机算法的数据集,并将数据集按4∶1划分为训练集和检验集;其次,利用线性组合构造由多项式核函数、径向基核函数与Sigmoid核函数构成的三核混合核函数,在训练集上,采用遗传算法确定相关参数,随后在检验集上进行预测。结果表明:遗传算法确定参数会带来较大的不确定性,导致结果差异较大,从而着重讨论遗传算法带来的参数不确定性;通过函数构造与统计分析,给出三核混合核函数参数选择的一般性方法与流程,并进行验证,该参数选取方法能够降低遗传算法的不确定性,得到精度较高的流量预测结果,预测流量与实际流量的均方误差从150左右降低到130左右。     

机器学习算法用于乳腺癌检测的性能研究

乳腺癌排在女性恶性肿瘤首位,早期发现和诊断是治疗的关键。使用开源乳腺癌数据集,使用了K-近邻、逻辑回归、支持向量机等主流机器学习算法对数据集进行了大量的训练和测试,分析了它们在训练过程中的学习曲线,对训练和测试结果进行了对比,分析和研究了这些算法在乳腺癌检测中的性能,并对未来的研究方向和技术进行了展望。     

基于支持向量机回归的曲面零件涡流测距标定方法

以燃料贮箱筒段外表面聚氨酯泡沫层厚度测量精度要求为例,开展4种常见曲率筒段试件标定试验;提出基于支持向量机回归的涡流测距标定方法,建立提离距离预测模型(LDPM),用于曲面零件涡流测距;研究曲率对涡流测距测量误差的影响规律.根据测量误差产生的原因将测量误差分为两部分:表面曲率误差和其他误差,分析误差分量在传感器量程范围内相对大小的变化规律,为曲面测量误差补偿提供参考依据.此外,对比分析LDPM与常用标定方法获得的标定函数在测量精度、计算速率方面的优劣,为曲面零件涡流测距选用何种标定方法提供建议.研究结果表明:LDPM在传感器量程初始阶段,表面曲率误差对曲率不敏感;在量程中点附近,表面曲率误差绝对值随着曲率的增加,先减小后上升;在终点区域,表面曲率误差绝对值随着曲率的增加而上升.在整个量程范围内的不同测量区间,其他误差保持不变.此外,LDPM可以将测量误差控制在[-0.5, 0.5] mm,精度与5项多峰高斯拟合相当,高于4次多项式拟合,能够满足厚度测量精度要求,无损检测操作方便.     

运动想象脑机接口系统的Petri网建模方法

针对脑机接口(BCI)中的共享控制问题,提出一种BCI系统的Petri网建模方法.首先,将共享控制策略与BCI系统的内外部信息相结合,构建运动想象BCI系统的Petri网模型,描述系统的运行状态,分析和改进共享控制策略.然后,加入控制库所描述系统的外部输入,并通过合成Petri网的方法简化Petri网的建模过程.结果表明:所提方法能够正确地演化BCI系统的运行过程,提高BCI系统的适用性,可用于设计、验证和执行共享控制策略.     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

基于AP-BP神经网络的建筑能耗分析与预测

建筑行业对能源的节约是当前节约能耗的重要途径之一,在对能源浪费现状和建筑物能源绩效调研和分析的基础上,提出了一种基于affinity propagation（AP）聚类的back propagation（BP）神经网络建筑能耗分析与预测方法。通过AP聚类算法对影响建筑能耗的多维因素进行聚类分析,得到影响建筑能耗的主要因素并作为BP神经网络的输入,然后将建筑能耗指标热负荷和冷负荷作为BP神经网络的输出,建立建筑能耗分析与预测模型。均方根误差（RMSE）和平均相对泛化误差（ARGE）评价指标分析结果表明,本文所提方法对能耗值预测的拟合程度优于经典的BP神经网络,且通过建筑能耗输入输出的结构调整能够节约能耗,提高能效。