一种多阶段发酵过程的联合加权支持向量机建模方法

发酵过程是一类具有多阶段特性的间歇过程,在建立其多阶段模型时,各阶段子模型的融合方法特别是过渡阶段的处理方法是研究重点。针对发酵建模过程中过渡阶段的处理问题,提出了一种联合加权支持向量机(SVM)建模方法,利用阶段划分得到的隶属度函数对训练样本数据进行扩展,进而直接建立发酵过程的多阶段模型。实验结果证明,所提出的方法能够很好地处理各阶段间的过渡过程,提高了模型精度。     

层次分析法在丽江市旅游景点选择中的应用

以丽江城区的4A景点木府、玉水寨和观音峡为例,主要考虑景点的景色、民族特色、费用、旅行时间和景区服务等因素.通过调查问卷的方式收集数据,利用层次分析法,建立能够全面了解景点的综合评价体系.该评价体系不仅可以为游客找到理想的旅游景点,而且也可以通过游客对景点的要求为景区管理者提供一些参考.     

八种最小二乘SVM型学习算法的优势比较

我们知道,支持向量机(Support Vector Machine,SVM)型学习算法的计算复杂性和稀疏性对分析和处理大数据来说是非常重要的两个因素,尤其是对高维数据.学者们针对这两个因素做了大量的研究,提出了许多改进的SVM型算法,常见的有基于最小二乘技术的SVM型算法和孪生SVM型算法.它们当中,有些算法的出发点基本相同,但是求解方法上略有不同;有些算法有明显不同的出发点,其所构建的最优化模型也不相同.选取八个较具代表性的最小二乘SVM型算法,分析和比较它们之间的优势和劣势,以期读者更加深入的理解这类算法,且在应用于实际问题中时更具有选择性.     

核稀疏概念编码算法及在图像表示中的应用

稀疏编码算法是一种常用的图像数据表示方法.为了处理高度非线性分布的数据,文中提出了一种核稀疏概念编码算法,并应用于图像表示.该算法首先对邻域图进行谱分析,提取数据的几何流形结构信息;然后将原始特征空间数据映射到高维特征空间中,利用谱回归在高维特征空间中来计算基向量;最后在高维特征空间中对每个样本逐个进行表示.文中算法不仅能有效地处理非线性结构数据,而且只需求解一个稀疏特征值问题和两个回归问题,计算简单有效.在Yale、ORL和PIE图像库的聚类实验表明,文中算法的准确率和归一化互信息均优于其它几种对比算法.     

非对称结构振型向量的海森阵算法

由于结构系统的非对称性,导致其振型向量的正交性变得不完整,为此引入左特征向量,从而修复了系统振型向量的正交性;提出了多元向量值函数的海森矩阵的概念;利用振型向量的正交性推导出计算其海森阵算法,从而构成了非对称结构系统的设计参数发生扰动后振型随之发生改变的改变量的二阶泰勒近似式,由于算法灵活紧凑,易于在大型工程结构动力分析中使用。     

弧齿锥齿轮的向量式有限元静态啮合分析

针对目前向量式有限元的类型和应用范围,根据向量式有限元的基本理论推导了八节点六面体实体单元的基本理论计算式,阐述了逆向运动和单元内力的求解过程,将向量式有限元的应用范围拓展到空间和工程应用领域。对于空间实体结构的接触行为,采用主从面算法和内外算法分别进行了全局搜索和局部搜索,以实现碰撞检测,并通过罚函数法来处理接触问题。以一对弧齿锥齿轮为例,建立了向量式有限元模型,利用该模型进行了分析和计算,并将计算结果与传统有限元计算结果进行了对比,结果表明:通过向量式有限元计算得到的接触力、接触应力以及齿面印痕等与传统有限元方法计算的结果吻合程度较高,并且可以在网格单元较少的情况下得到较为精确的结果。     

随机巨灾索赔相依风险模型的动态最优再保险

在索赔风险时变、相依条件下,建立随机巨灾的可调态再保险模型.在指明超额赔款再保险为最优分保形式的基础上,讨论并发现目标函数随自留巨灾风险水平的增大,在任意相依结构下均先减后增的变化定理,从而获得了自留向量的一般性显式表达式.根据巨灾风险的特征,还在一类特定的相依结构下,以自留风险的期望效用和方差为优化目标,对自留向量进行了更为明确的表示并给出具体示例.结果表明,随着巨灾风险相依强度的上升,分保的满意度降低,经营稳定性减弱,对保险公司的负面影响很大.此时,为实现客观风险下的分保目标最优,常规风险的自留水平应随之增大,体现了动态再保险的优越性.     

线性变换关于向量的指数

引入线性变换关于向量的指数概念,并对其进行探讨,得到了若干结论。通过线性变换关于向量的指数,刻画了幂幺线性变换的等价条件。     

基于小波变换和支持向量机的心电信号ST段分类

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。     

产生式与判别式分类方法比较研究

分类是数据挖掘领域研究的热点,产生式与判别式是数据挖掘中两种不同的分类模型。产生式模型具有通用性、灵活性及清晰的分层结构,学习得到的模型很容易满足模型解释要求;判别式模型没有明显的对系统中变量的基本分布建模的企图,仅仅对输入到输出之间映射的最优化感兴趣,可以提供更好的分类性能。从准确率、建模时间及渐进误差等方面对产生式与判别式分类方法进行了分析与比较,为研究人员在分类模型的选择上提供了参考。