基于核主元分析法和支持向量机的人耳识别

对人耳识别中若干关键问题进行了研究. 介绍了两种人耳图像归一化处理的方法,即基于外耳轮廓长轴的线标记法和基于外耳轮廓起始点的点标记法,并对这两种方法进行了对比. 在分析现有人耳识别方法不足的基础上,提出利用核主元分析法提取人耳图像的代数特征,再利用支持向量机分类模型进行人耳识别. 在带有角度、光照变化的北京科技大学人耳图像库上得到的识别率为98.7%,表明了该识别方法的有效性以及利用人耳图像进行身份识别的可行性.     

基于模糊支持向量的多标签分类方法

单实例多标签分类是指一个样本拥有多个标签的分类问题,对此提出了一种基于半模糊核聚类和模糊支持向量机的多标签分类算法.该算法采用一对一分解策略将多类多标签数据集分解为多个两类双标签数据子集,在每个子集上训练两类双标签模糊支持向量机.为提高分类器的性能引入了半模糊核聚类技术.实验结果表明,与现有的一些算法相比新算法具有其优...     

基于相空间重构的支持向量机方法在径流中长期预报中应用

水文中长期预报对于水资源规划管理、水库及水电站调度具有十分重要的意义.针对常规混沌预测方法的局限性,提出基于相空间重构的支持向量机(SVM)预报方法.该方法首先对径流时间序列进行混沌辨识,然后对其进行相空阃重构,采用基于结构风险最小化的SVM进行径流预报.对于SVM的参数优选问题.以径向基核函数作为核函数,采用混沌交尺度优化方法进行参数寻优.实例表明.该方法优于SVM和人工神经网络(ANN)预报方法.且具有良好的泛化推广能力.     

一株纤维素分解菌的分离选育

以天然秸秆纤维素为碳源,从土壤、酒糟及牛粪中共分离到5株能分解纤维素的真菌菌株.分别对其进行了滤纸分解度、羧甲基纤维素酶活力(CM C ase)、滤纸糖化力(FPA)和天然纤维素酶活力的测定.结果表明:F-25菌株对滤纸的分解能力最强,不到12 h滤纸全成糊状;同时羧甲基纤维素酶活力、滤纸糖化力和天然纤维素酶活力也最高,分别为2.884(m g/mL).30 m in、0.36(m g/mL).h和2768(m g/mL).d.     

基于EMD-PF-GRNN的短期风电功率预测研究

针对短期风电功率预测,将风电输出功率作为时间序列信号,由于其所具有波动性、非平稳性的特点,提出一种基于经验模态分解(EMD)、粒子滤波(PF)和广义回归神经网络(GRNN)的组合预测模型。首先,利用EMD对风电功率序列进行分解,获得各个相对平稳的模态分量;然后,将分解得到高离散度的数据采用PF进行分析处理,低离散度的数据采用GRNN进行分析处理,其中,通过粒子群算法(PSO),根据各低离散度数据自身特点优化GRNN的平滑因数,以进一步提高其预测性能和精度;最后,通过线性叠加各分量的预测结果得到最终风电功率的预测值。结果表明,与PSO-GRNN和单一GRNN结构相比,EMD-PF-GRNN预测模型的预测误差降低了6%左右,预测精度更高,可以更好的预测风电功率。     

融合样本选择与特征选择的AdaBoost支持向量机集成算法

为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度,提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法(IFSelect-SVME)。该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择,并用互信息顺序向前特征选择算法进行特征选择,再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器,并对其进行加权集成,生成最终的决策系统。对实验所用9组UCI数据集的仿真结果表明:与支持向量机集成(SVME)算法相比,IFSelect-SVME算法的正确分类率有所提高,且样本数可减少30.8%~80.0%,特征数可减少32.2%~81.5%,简化了集成结构,缩短了测试样本的分类时间,所得到的分类系统具有更好的分类精度。     

C-余弦算子函数拓扑

利用C-余弦算子函数的概念,引入一新的局部凸向量拓扑,并对其基本性质以及在新的局部凸线性拓扑意义下C-余弦算子函数的性质进行初步研究。     

具有螺旋结构液晶的指向矢与螺距

选用了适当的分子间相互作用势,用统计物理的方法求出系统的自由能表达式.由平衡状态下自由能极小得到分布函数的近似解和指向矢所满足的方程.给出螺距表达式并计算了螺距随温度的变化关系.     

线性代数向量组正交化的教学改革

线性代数课程中的向量组正交化的传统方法,即施密特正交化过程。多年来,很多教材都是沿用施密特正交化过程方法,但其计算量比较大。论述了使用齐次线性方程组求非零解的方法,将向量组正交化,产生一种新的构思。     

基于梯度向量直方图的行人检测

针对Adaboost行人检测训练非常耗时的问题,在梯度方向直方图(Histograns of Oriented Gradiant,HOG)特征计算上引入积分向量图,同时对于作为AdaBoost学习过程中的分类器--线性SVM,应用序列最小优化(Seguential Minimal Optimigation,SMO)来解决其二次规划(QP)问题.实验结果表明,通过这两个方面的改进,不仅行人检测训练检测速度得到了提升,而且取得了令人满意的检测效果.