基于MFCCG-PCA的语音情感识别

针对语音情感值维度大、难处理的问题, 结合MFCC改进算法和PCA模型, 进行二次优化, 提出一种新的语音情感值提取模型MFCCG-PCA。多组实验表明, 相比一般的MFCC模型, MFCCG-PCA模型在语音情感识别方面的性能有较大提高。     

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题, 提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机（SVM）分类模型. 以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能. 为验证其有效性, 将该模型应用于森林覆盖类别分类, 并与标准支持向量机模型分类结果对比. 实验结果表明, 该方法能提高支持向量机对混合像元划分的精度.     

基于SVM的电子商务行为的性别判断

不同性别的用户对产品的看法与品位存在着差异,特别是在欣赏与时尚相关的产品上,性别对用户判断的影响显得尤为重要。根据电子商务中在线商品的浏览记录,采用支持向量机(support vector machines, SVM)对所选取的7个特征建立模型,并进行性别判断。经过模型分析和训练,准确率可达79.21%。同时讨论了网络购物与实体店购物的区别,并对SVM进行了核函数对比及其它性能的研究,从理论和实际应用上为核函数的选取和SVM的选用提供参考。     

融合Morlet小波与GA优化多模态核的轴承故障检测算法

针对轴承故障检测算法特征分辨性较低、 准确度较低等问题, 提出一种融合Morlet小波和遗传算法优化的多模态核方法轴承故障检测算法. 该算法首先针对原始轴承故障信号提取多个尺度和多个位移条件下的Morlet小波变换特征, 然后设计一个多模态核方法, 包含线性核函数与径向基(RBF)核函数, 最后在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态核的参数, 使用最优化多模态核进行轴承故障检测. 在UoCn的智能维护中心数据集上分别测试了滚珠故障、 内圈裂纹故障和 外圈裂纹故障的检测, 并对单一核与多模态核间的错误率与效率进行对比. 实验结果表明, 改进算法能获得鲁棒的轴承故障检测特征, 且多模态核在GA的优化下能快速收敛, 获得最优化结果, 通过牺牲少量的时间效率而极大提升了轴承故障检测准确率.     

基于易康软件的QuickBird遥感影像林分类型识别——以福建省将乐林场为例

【目的】研究基于面向对象方法的林分类型识别,解决森林资源监测的核心问题。【方法】以福建省将乐林场为研究样本,采用基于QuickBird遥感影像的蓝、绿、红、近红外4个多光谱波段为面向对象分类的试验数据,借助eCognition Developer 8.7(易康)软件,设置10种分割尺度(25～250,步长为25),应用带有线性核函数支持向量机分类器(support vector machine,SVM),分别对每种分割尺度下的3组特征(单独光谱、光谱+纹理、光谱+纹理+空间)进行面向对象林分类型分类。【结果】以尺度参数150对QuickBird遥感影像进行分割质量最高(ED3_Modified=0.37)。10种尺度上,在光谱特征中加入纹理特征能够明显提高分类精度,但引入空间特征分类精度几乎无变化。基于光谱+纹理特征在分割尺度150时获得了最高分类精度(总精度达到85%,Kappa系数为0.86)。【结论】分割尺度对面向对象林分类型识别精度有着重要影响。在所有尺度(25～250)下,光谱、纹理特征分类精度均高于单独使用光谱特征分类总精度,空间特征在林分类型分类中并没有起到作用。匹配良好的分割和参考对象时能够得到更高精度的分类结果,同时,轻微的过度分割或分割不足不会明显影响分类结果。基于易康软件的面向对象方法对QuickBird多波段遥感数据进行林分类型分类能够获得比较满意的结果。     

基于SVM的模拟测试生成的改进算法

在一些测试生成算法中,通过数/模和模/数转换器将模拟系统转换为离散数字系统,使得测试生成和响应分析在数字信号领域进行。提出了一种基于支持向量机（support vector machine, SVM）的模拟测试生成算法,通过SVM解决采样空间的线性分类问题,生成的测试序列可直接作为激励信号作用于被测系统,通过输出响应即可判断是否故障。为了减少计算代价,采用一种非等间距方法压缩脉冲响应采样向量,在降低采样空间维度的同时保证了测试生成的有效性。     

基于改进PSO的电站锅炉低NO_X燃烧优化

燃煤锅炉NOx排放是造成环境污染的重要因素,影响NOx排放的因素众多而且复杂。首先建立了锅炉NOx排放支持向量机模型,并利用实炉热态数据对模型进行了校验。接着应用一种改进的粒子群优化算法,对锅炉运行参数进行了优化,并与一般线性粒子群优化算法进行了对比。结果表明,NOx排放量均有明显的降低,但改进的优化算法收敛性更好,为优化锅炉燃烧提供了更好的方式。     

基于SVM分类机的一种DNA序列判别方法

针对DNA序列类别的分属问题,提出采用支持向量机（Support Vector Machine,SVM）的方法进行分类。根据SVM分类器的要求建立特征属性空间,首先由每个DNA中4个碱基的含量得到4个特征属性,然后在此空间中扩充DNA序列长度的属性,最后根据SVM分类器对已知的DNA分类样本做训练得到分类超平面。利用此超平面检测所要分类的DNA序列,实验结果表明这种方法具有很好的分类精度。     

SVM自适应波束成形

支持向量机(Support Vector Machine,SVM)是机器学习领域的最新成果,它有较强的泛化能力,收敛快以及低复杂度等优点.本文通过对训练样本进行数据格式的转化,继而转化为libsvm和lssvm分类所要求的数据格式.然后在上行波束成形中使用SVM算法,提高空域滤波的分辨率,仿真结果显示:与LMS(LeastMean Squares,最小均方值,又叫随机梯度下降法)、MMSE(Minimum Mean-Square Error,最小均方误差)经典算法相比,误码率有了明显改善.     

基于超分辨ISAR成像的飞机目标SVM分类算法

利用最大熵谱估计方法对4种飞机目标数据进行外推处理,并在此基础上进行拟合成孔径(ISAR)成像.采用了ISAR图像的几何矩、基于几何矩的不变量、形状和量化能量带4个特征,研究了支持向量机的线性和非线性算法原理,提出了基于SVM的飞机目标识别和分类算法,采用了针对多目标分类的M-ary法对飞机进行分类,选取了每个目标的40个不同数据段进行成像,通过与几种常见的BP神经网络算法和RBF神经网络算法比较分析,验证结果表明此方法达到了较好的识别效果,识别率达到97%.