基于局域支持向量机的海浪水压场混沌预测

针对海浪水压场的短时平稳性,采用局域支持向量机进行预测滤波.首先分析了海浪水压场信号的混沌特性,并根据其混沌特性,提取训练空间中与当前相点的行为特征密切相关的最近邻点作为训练样本对支持向量机进行训练,减少了训练样本的数目,节省了网络学习时间,从而可实时对网络参数进行更新,使支持向量机能够跟随海浪的变化.实际计算表明这种算法能够以较快的学习速度和较高准确度实现海浪预测,能够克服由于海浪的短时平稳性所带来的随时间的增长预测精度下降的问题.     

Designing a Hybrid Intelligent Mining System for Credit Risk Evaluation

In this study, a novel hybrid intelligent mining system integrating rough sets theory and support vector machines is developed to extract efficiently association rules from original information table for credit risk evaluation and analysis. In the proposed hybrid intelligent system, support vector machines are used as a tool to extract typical features and filter its noise, which are different from the previous studies where rough sets were only used as a preprocessor for support vector machines. Such an approach could reduce the information table and generate the final knowledge from the reduced information table by rough sets. Therefore, the proposed hybrid intelligent system overcomes the difficulty of extracting rules from a trained support vector machine classifier and possesses the robustness which is lacking for rough-set-based approaches. In addition, the effectiveness of the proposed hybrid intelligent system is illustrated with two real-world credit datasets.     

不良贷款有无回收判别:一类可选变量的支持向量机方法

针对不良贷款有无回收判别问题中属性变量数目多、示性变量比例高的特点,提出了一类可选择变量的支持向量机方法进行判别预测.该方法一是将逐步回归的支持向量机思想应用在模型变量的选择上,二是将线性逐步回归的结果作为模型选择变量的初始状态,解决了传统支持向量机只能使用固定变量的问题. 实证结果显示,该方法不仅提高了样本外预测的正确率, 而且具有很好的稳健性.     

基于最小二乘支持向量机的交通安全预测模型

分析了最小二乘支持向量机(LS-SVM)在交通安全预测中的优势,确定输入向量集合和输出向量集合,利用LS-SVM建立交通安全预测模型.将1953～2006年全国交通安全相关数据分为训练集和测试集,利用Matlab 7.0进行仿真测试.通过训练LS-SVM得到模型具体参数值,然后对测试集数据进行预测,计算预测误差,并与神经网络模型、SVM模型预测结果进行对比.仿真结果表明,基于LS-SVM建立的交通安全预测模型比神经网络预测模型、SVM模型具有更高的运算速度和预测精确度.     

基于多分类支持向量机的智能辅助质量诊断研究

在分析比较目前常用的质量辅助诊断方法局限性的基础上,提出了一种基于多分类支持向量机(SVM)的质量控制图智能诊断新方法.该方法以SVM技术为智能核心,较好地解决小样本学习问题,避免了人工神经网络等智能方法在对小批量生产过程质量诊断时所表示出的过学习、泛化能力弱等缺点.另一方面,通过结合投票法和决策树的基本思想,所提方法拓展出对控制图混合型异常模式的识别能力,从而提高了对质量过程诊断的全面性和准确性.与其它几种常见人工智能方法质量诊断的效果进行对比,实验表明,所提方法容易实现、诊断精度高,为实现小批量加工过程的在线质量诊断与控制提供可行的思路.     

星载ATP平台的建模与仿真

采用了分析力学中的拉格朗日方程对星载ATP平台进行了动力学分析,推导出了较准确的运动方程,并说明了为什么U型转台比T型、L型转台具有更高的精度和结构稳定性.利用无刷直流电机的方程式,给出了星载ATP平台系统的非线性数学模型,并利用MATLAB进行了数学仿真,通过实验进行了验证,此模型可作为设计和调试星载ATP平台控制器的基础.     

基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning, LMKL)和一类超限学习机(one-class extreme learning machine, OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明,在训练时间可控的前提下,与4种常见的一类分类(one-class classification, OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve, AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection, LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

鲸鱼优化相关向量机的网络控制系统变采样周期调度

针对资源受限的网络控制系统,提出一种基于鲸鱼优化相关向量机的变采样周期调度算法。通过网络监测模块获取网络带宽与数据传输时间数据,建立鲸鱼优化相关向量机的预测模型,实现对网络带宽及数据传输时间的预测。采用模糊推理计算系统各回路通信带宽的分配权重,进而结合通信带宽及数据传输时间的预测值对各闭环回路的采样周期进行计算,完成采样周期的实时调节。仿真结果表明,在资源受限条件下,所提算法保证了系统的稳定性与控制精度。     

基于隐马尔可夫模型的文本信息抽取

文本信息抽取是处理海量文本的重要手段,将隐马尔可夫模型应用到信息抽取领域是一个比较新的研究课题。提出了一种基于隐马尔可夫模型的文本信息抽取算法。该算法利用文本排版格式、分隔符等信息,对文本进行分块,在分块的基础上结合隐马尔可夫模型进行文本信息抽取。仿真结果表明,新的算法在精确度和召回率方面有明显的提高。