基于LS-SVM的燃料电池控制建模的研究

由于直接甲醇燃料电池数学模型的复杂性难以满足工程上对DMFC控制系统的设计，提出一种基于最小二乘支持向量机建模算法，用具有RBF核函数的LS-SVM离线建立DMFC电堆的非线性模型；仿真和实验结果表明了该建模方法具有建模简单、模型精度高等优点，亦证明了该算法的有效性和优越性。研究结果对直接甲醇燃料电池控制系统的建模和控制具有一定的实用价值。     

基于FP-tree和支持度数组的最大频繁项集挖掘算法

提出了一个基于频繁模式树即FP-tree和支持度数组相结合的最大频繁项集挖掘算法,首先建立FP-tree,同时建立支持度数组,然后在此基础上建立最大频繁项集树MAXFP-tree,MAXFP-tree中包含了所有最大频繁项集,缩小了搜索空间,提高了算法的效率。算法分析和实验表明,该算法对稠密型数据集和稀疏型数据集均适用,并且特别适于挖掘具有长频繁项集的数据集。     

广义支持向量机优化问题的极大熵方法

依据最优化理论中的KKT互补条件建立了广义支持向量机的无约束优化模型,并给出了一种有效的光滑化近似解法极大熵方法,为求解支持向量机优化问题提供了一种新途径.该方法特别易于计算机实现,理论分析和数值实验结果表明了模型和算法的可行性和有效性.     

基于SVM和EMD 包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷以及现实中难以获得大量典型故障样本的实际情况,提出了一种基于支持向量机(Support Vector Machine,简称SVM)和经验模态分解(Empirical Mode Decomposition,简称EMD)包络谱的滚动轴承故障诊断方法.该方法首先对原始信号进行经验模态分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,然后求出包含主要故障信息的若干个IMF分量的包络谱,最后定义包络谱中各种故障特征频率处的幅值比为特征幅值比,将其作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型.实验分析结果表明了该方法的有效性.     

黄颡鱼头骨的研究

黄颡鱼头骨共有126块,无顶骨、后耳骨和下鳃盖骨,有续软骨存在.犁骨、前颌骨、齿骨上都具铺石状牙齿,上颌骨、腭骨不具齿而成棒状小骨支持触须.舌颌骨、方骨、中翼骨、外翼骨发育良好.前鳃盖骨失去鳃盖作用而参与悬器的形成.     

民营高科技企业发展与政府支持的相关性分析

回顾了民营高科技企业的发展沿革,指出国家对私营经济法律地位的逐步确立和国家对高科技产业的不断支持是与民营高科技企业的快速发展紧紧相联的.回顾民营高科技企业发展的历史,使我们对现阶段民营高科技企业的生存状态有一个历史的、辩证的认识,以期更清晰地探讨民营高科技企业面临的困境和制约其发展的深层次问题.民营高科技企业要想得到长足的发展,成为世界级的高科技企业,政策的出台应具有超前性,这样才能真正起到激励作用.     

支持向量回归在圆形检测中的应用

对圆形的识别是机器视觉中最基本和最重要的任务之一,为了准确确定复杂背景图像中圆的位置,提出了一种将支持向量回归模型与三点拟合圆联合起来的新算法,通过支持向量回归模型训练不同类型的圆形样本,得到超平面方程f(x),以f(x)为中心线,构建一个宽度为2ε的近似圆环型间隔带,在此间隔带上的点都被认为属于圆形边界上的点,然后运用三点拟合圆几何算法计算出圆心和半径,从而达到识别圆形的目的。实验结果表明,联合算法通过对训练样本的学习,能够在噪声比较大的背景图像中得到圆形的边界信息,从而确定圆的位置,较仅使用某一种圆形识别算法有一定的优势。在以圆形作为定位的机器视觉领域,具有重要的理论研究价值与实践意义。     

内蒙古草原核心保护功能区的划定与分析——基于支持向量机方法

草原生态保护建设关系全面建设小康社会奋斗目标的实现,而草原保护红线又是草原生态保护建设最基本的有效途径。从介绍内蒙古草原三大生态功能和“一线三区”入手,选取内蒙古三个典型草原区域的数据作为训练样本,经过一系列的数据预处理和以支持向量机为主要方法预测出三个草原核心保护功能区的分布结果。结果证明从国家文件理论指导到运用支持向量机方法实际操作后可以取得理想的效果,但是还有待基于这三个典型草原研究结果推广至全内蒙古。     

一种运动想象脑电信号半监督算法

针对脑机接口中两类左右手运动想象任务,提出一种依据迭代训练次数不断更新训练集样本的半监督算法.使用多重自相关分析算法,选择置信度较高的脑电信号样本并加入初始训练集;分别使用公共平均参考法与共空域模式算法,对样本进行预处理及特征提取;最后使用支持向量机对样本进行测试,根据迭代学习次数按照递进方式移除置信度较低的样本,并利用剩余样本继续训练模型,从而优化特征提取器及分类器参数.通过对标准脑电竞赛数据库BCI IV Dataset Ⅱa中左右手运动想象数据的测试表明,该算法与其他算法相比,在训练样本数目较少的情况下,具有较高的分类正确率.      

Flink平台下的分布式平衡级联支持向量机

支持向量机（Support Vector Machines,SVM）在分类和回归领域都是非常强大的工具，但在大数据环境下，其面临资源占用过高和寻优速度慢等问题.目前利用大数据框架实现的SVM，虽然优化了寻优速度慢的问题，但其预测精度与直接训练方式相比存在一定的差距，此外其并没有对训练节点的资源进行合理配置.故提出一种Flink平台下的分布式平衡级联向量机，该方式在之前的基础上将数据集分成含有相同比例样本的平衡子集，并对子集的训练参数进行放缩；同时，结合Flink下迭代作业的动态资源分配策略，将各节点资源最小化为刚好满足训练需求.对该方法的有效性进行阐述，对比多个数据集在不同训练方式下的资源占用和模型精度，实验结果表明，采用所提出的训练方式能合理灵活地对资源进行配置，同时将模型预测精度误差降低到0.1%以内.