一种支持向量预提取方法及应用

提出了一种支持向量预提取方法,对核感知机误分次数与决策边界的关系作了分析,引入了核函数和误分界,利用结构简单的感知机算法构建支持向量预提取模块,压缩样本规模,然后将处理结果输入支持向量机进行再处理,在精度和处理速度方面取得了较好的效果,仿真实验验证了这一方法的可行性。     

大学新生生活满意度与心理健康的关系:有调节的中介模型

为考察大学生生活满意度、手机依赖、感知社会支持和心理健康之间的关系及其内在作用机制,该文采用生活满意度量表、手机依赖问卷、感知社会支持量表和心理健康量表对260名大学生进行调查.结果显示,①生活满意度能显著预测手机依赖,且手机依赖能显著预测心理健康,即手机依赖在大学生生活满意度与心理健康的关系中起中介作用;②生活满意度...     

大入射余角CFAR检测器

雷达在大入射余角高分辨率海杂波背景下检测时,等效后向散射面积增大,大部分海杂波能量投射到少数距离单元,能量分布不均,出现功率突然增大的杂波“异常单元”,导致检测器参考窗口所处的背景环境复杂多变,传统检测器检测概率降低,虚警率及误检率增加。为解决此问题,通过参考滑窗单元的协方差矩阵构造正定矩阵,求解其矩阵范数用以估计杂波功率水平,并采用支持向量机改进传统恒虚警率(constant false alarm rate,CFAR)检测器,得到基于正定矩阵杂波功率估计训练支持向量机的改进CFAR检测器。实验结果表明,新检测器在均匀杂波、多目标环境下检测性能稳定,在杂波边缘的虚警控制能力良好。     

基于支持向量机的轰炸机敏感性权衡优化

生存力中敏感性方案的设计及改进是一个效益和代价不断权衡的过程。针对轰炸机敏感性权衡中的效益-费用优化问题,研究了基于支持向量机的轰炸机敏感性权衡方法。建立支持向量机代理模型,简化了敏感性的计算,并利用交叉验证和网格搜索对模型参数进行优化;拟合了轰炸机敏感性参数与增加费用的函数关系,将灵敏度理论引入敏感性权衡中,从最优效费比的角度出发,确定敏感性参数的取值范围。最后通过仿真验证了方法的可行性。结果表明,该权衡优化方法能够在费用约束条件下对敏感性参数的取值范围进行优化,在保证精度的同时提升了计算效率。     

空中目标辐射源的个体识别方法

针对传统的辐射源个体识别方法在低信噪比环境下识别性能不佳的问题,提出了一种空中目标辐射源的个体识别方法,该方法利用经验模态分解和变分模态分解得到信号不同频率的模态分量,将各模态分量的多尺度排列熵作为特征,利用主成分分析对数据进行降维,并采用支持向量机分类器进行辐射源个体识别。仿真结果表明,该方法对相位噪声、频率漂移以及谐波失真等细微特征的识别性能明显优于传统方法,并具有良好的抗噪性。     

自动电位滴定法测定SAN混合液中叔十二碳硫醇(TDM)的含量

采用万通自动电位滴定仪测定SAN混合液中TDM含量,通过实验确定乙醇代替异丙醇,支持电解液从100mL降至50mL进行实验是可行的,降低了检验成本。     

支持向量机的最大间隔和对偶性

最初出现的支持向量机理论是基于2类线性可分问题的.针对线性可分情况,研究表明线性硬间隔分类机的对偶问题与凸壳问题(平分最近点法)是等价的,线性硬间隔分类机的最大间隔与凸壳问题的2个最近点的距离相等:针对非线性可分情况,研究表明线性软间隔分类机的对偶问题与缩小的凸壳问题(推广的平分最近点法)是等价的,线性软间隔分类机的最大间隔与缩小的凸壳问题的2个最近点的距离相等.对支持向量机分类问题给出了直观解释.     

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。     

基于信度赋值技术的统一融合框架研究

从信度赋值技术的角度,提出了统一融合框架(UFA)的理论机制,它是基于证据支持贴近度(ESMS)前置过滤器耦合包含冲突分配器在内的融合机,在给出一个ESMS函数的同时,也考虑了不同信息源(可靠、非可靠、不完全、冗余及互补)信度赋值中心,克服了错误、虚假和不一致等信息对融合机的干扰,充分发挥了融合机优势,减少了融合计算的复杂度,大大提高了融合效果.将统一融合框架应用于Pioneer Ⅱ移动机器人地图创建方面,通过仿真分析,并与单一融合机的仿真结果作了对比,充分说明了统一融合框架的优越性.     

基于支持向量机的信用评估模型及风险评价

运用基于支持向量机理来建立一个新的个人信用评估预测模型,以期取得更好的预测分类能力.并对SVM分类结果与三层全连接BPN分类结果进行了比较.结果表明,在判别潜在的贷款申请者中支持向量的判别结果比神经网络的要好.为了减小训练集偏差及为了验证两种方法的鲁棒性,基于两种策略(平衡样本与非平衡样本)交叉验证来进一步评价SVM分类准确性,并对两种方法基于两种策略的误分类作了风险代价分析.