基于摄影测量原理的道路交叉口机非冲突区域界定

为了界定城市道路交叉口混合交通流中机动车与非机动车冲突(简称机非冲突)区域,应用摄影测量原理建立非机动车实际坐标与图像坐标之间的转换关系.通过视频采集和人工调查的方法,选定4个已知标定点,获得其实际坐标和对应的图像坐标,从而求解转换矩阵中的8个未知参数.通过若干个连续的非机动车图像坐标求解出其对应的实际坐标,所有实际坐标描绘在交叉口区域,将非机动车较为集中的区域界定为非机动车行驶区域,该区域与机动车行驶区域的交叉部分则为机非冲突区域.由于该方法所需的数据具有非接触调查的特点,研究结果较为精确,因此可推广至交通工程其他研究领域.     

滑坡堆积体滑带土强度参数反算研究

根据滑坡堆积体的特点,提出一种新的反算滑坡堆积体滑带土强度参数的方法—差分进化支持向量机方法.该方法在滑面位置已经查明的情况下,建立堆积体稳定性计算模型,根据堆积体变形情况确定计算剖面的稳定性评价指标.利用均匀设计方法,构造2因素25水平的计算方案,采用极限平衡分析计算出各剖面在不同c、φ值下的安全系数,将其作为学习样本.通过支持向量机学习,建立参数与安全系数之间的非线性映射关系,基于这种关系,利用差分进化算法搜索滑带土强度参数.以溪洛渡水电站左岸谷肩堆积体为例,采用基于极限平衡法的差分进化支持向量机方法反算滑带土强度参数,利用反算出的强度参数,对堆积体的稳定性进行分析.研究表明,计算出的安全系数与稳定性评价指标误差较小,说明该方法效果良好,适用于反算滑坡堆积体滑带土强度参数,对工程具有指导意义.     

面向循证医学网络文献的SVM分类方法

支持向量机(support vector machine,SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,是一种高效的分类识别方法.首先分析支持向量机原理,然后提出一种使用Bagging组合学习方法改进SVM算法的网页分类方法.基于循证医学网络文献分类的实验表明,该方法使训练数据规模大大减小,且比传统的SVM算法分类性能更好,具有较好的精确率和召回率.     

基于支持向量机的P2P流量管理模型设计

对P2P的网络流量进行识别是P2P研究领域中的一个重大难题,为了实现对其管理,提出了一种基于支持向量机(SVM)的P2P流量分类管理模型.首先获取P2P网络流量数据,然后将获取的样本数据输入SVM并对SVM进行训练,最后将测试样本数据输入SVM进行P2P流量分类管理.仿真实验证明了该方法具有较高的检测率和较低的漏报率.     

基于合成核支持向量机的风力发电机故障诊断

采用合成核函数构造支持向量机模型,运用粒子群优化算法（PSO）对模型参数进行参数寻优,利用UCI数据集的数据进行分类验证.与单核SVM相比,该方法具有更好的分类能力和运算速度.将合成核SVM应用到风机齿轮箱的故障诊断中,取得了良好的效果.     

甘蔗剥叶机模糊评价系统的应用研究

运用模糊数学原理构造了一个多对象的评价模型，并对甘蔗剥叶机的设计方案进行了综合评价。在模型中，采用二元对比法和特征向量法对指标实现定量评价，将复杂的模糊设计信息进行量化，并经模糊变换得出了定量的评价结果。该模型兼顾了整体特性和局部特性，可对任意多个方案进行评价，因此为方案决策提供了科学理论依据。     

基于灰色信息的支持向量域分类算法

当被识别的样本包含有未确知性的灰信息时,传统的SVDD算法无法对其类别作出判别.针对这一问题,并考虑到SVDD算法是一种基于样本间距离测度的判别方法,提出了一种针对灰信息样本进行判别的支持向量域数据描述算法-GSVDD算法,该算法利用区间数对未确知性的灰信息进行表达,将区间运算引入到SVDD算法中,以区间距离取代原来的确定性距离,从而对灰信息目标样本进行识别.理论分析和实验结果均表明,该算法是有效和可行的.     

神奇的“脑控”技术

正一个人通过脑电波对另一人的大脑进行"控制",这听起来像是科幻小说中的情节。然而,近日美国科学家首次成功进行了一次人脑"意识融合"试验,让科幻成为现实。位于美国西雅图的华盛顿大学计算机科学和工程教授罗杰西·拉奥日前在该校进行了一次试验。拉奥坐在学校的实验室里,头部通过电极与一台脑电图描记器相连。此时,在校园另一侧,拉奥的同事安德里亚·斯托克头戴一顶装有经颅磁刺激线圈的紫色游泳帽,线圈正好对准控制他右手活动的头部左运动皮层。拉奥注视着电脑屏幕,想象自己正在操纵一个电子游戏,并在游戏中用右手发射火炮,此时他的手并没有动。脑电图描记     

基于改进多核学习的多传感数据分类方法研究

物联网（internet of things,IoT）技术中结合多个数据源互补信息提高数据分类准确率的研究受到了越来越多的关注。针对物联网无线传感器采集到数据的多源异构特性,给出了一种基于改进多核学习支持向量机（improved multi-kernel learning-support vector machine,IMKL-SVM）的IoT数据分类方法。传统的多核学习方法中核函数主要是采用经验法选取核函数类型及参数,本文改进方法在确定核函数类型及参数时分为两步：首先采用交叉验证方法初步确定核函数类型及参数;其次在第一步结果中利用支持向量机（SVM）同时训练样本和优化多核函数的类型及参数。实验中针对温度、湿度、光照、大气压力等4种数据设计了两组数据——第一组数据被标记为上午、中下午、傍晚、夜间4类,第二组数据被标记为白天、傍晚、夜间3类,比较了本文的IMKL-SVM方法、单核SVM方法及传统MKL-SVM方法在两组数据集上的分类准确率。此外,针对UCI公开数据集AReM进行了分类实验,实验结果表明IMKL-SVM方法针对具有多源异构特性的物联网数据实现了较高的分类准确率。     

《中国科学：数学》出版庆贺陆善镇教授75华诞专辑

《中国科学:数学》2014年第44卷第5期正刊出版庆贺陆善镇教授75华诞专辑,本期共刊登16篇论文.这是《中国科学:数学》首次为国内数学家出版庆贺华诞专刊.陆善镇,1961年毕业于华东师范大学数学系,同年分配在北京师范大学数学系任教.1980—1982年赴美国St.Louis华盛顿大学做访问学者.1983年5月晋升为教授,1984年1月获博士生导师资格.1992—1994