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。     

MLD模型下逆变电路改进型直接功率预测控制

建立了新型逆变电路精确的混合逻辑动态(MLD)模型,并将其作为预测模型,研究了新型逆变电路基于预测直接功率控制(P-DPC)的模型预测控制方法。为了达到航空电源电压输出要求和降低开关损耗,在原来的3+3电压矢量控制序列法的基础上扩充了零矢量进行了改进,形成了一种新的对称的4+4电压矢量序列法,通过对下一时刻输出电压有功和无功分量的预测,在最小化目标函数值的基础上求出每一个电压矢量的作用时间,完成电路的控制。该方法减小了输出电压THD,具有良好动静态特性有一个较为稳定的开关频率,仿真和实验验证了所提方法的可行性和有效性。     

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。     

关于局部对称空间的几个Pinching定理

研究了局部对称空间中具有平行平均曲率向量的紧致伪脐子流形,利用活动标架法和Hopf极大值原理讨论了子流形的Pinching问题,即估算子流形第二基本形式模长的平方的Laplacian,再对截面曲率和Ricci曲率加以某种限制,得到这类子流形成为全脐子流形的几个拼挤定理.     

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.      

降低OFDM系统复杂度的改进SLM算法

为了降低正交频分复用(OFDM)系统中传统选择性映射(SLM)算法的计算复杂度,提高系统的频谱利用效率,提出了基于转换向量(conversion vectors)与随机筛选序列(random selection sequences)相结合的选择性映射(CR-SLM)算法.CR-SLM算法是将原始信号序列等分,然后对于数据序列的前半部分与转换向量相乘进行循环卷积,对于数据序列后半部分进行随机序列筛选,筛选出最优序列.最后将两部分输出序列合并生成候选序列,筛选出最优序列进行传输.仿真结果表明:CR-SLM算法在保持与传统SLM 算法PAPR性能相近的情况下,较大幅度降低了计算复杂度.     

向量多项式优化问题的数值方法

向量多项式优化问题中的目标函数和约束条件都是由多项式描述的.先将多目标多项式函数分别通过主要目标法、线性加权和法和理想点法等转化为单目标多项式函数,再利用Lasserre松弛方法求解该多项式优化问题,从而得到原向量多项式优化问题的弱有效解或有效解.数值实验结果表明该数值方法是有效的.     

特征值在高等代数中的作用

以高等代数中的定义、定理和例题为依据,论述了特征值具有化繁为简的作用,它还是实对称矩阵和二次型的本质所在.特别地,它是解决许多代数问题的重要工具.     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.     

基于L_1范数支持向量分类机的算法扰动设计

普通向量分类机算法普遍有效率低下、算法复杂的缺点,为了进一步降低计算量,提高算法效率,提出了支持向量机算法.该算法将二次规划问题转换为线性规划问题,同时可以进行优化降次.结果显示,在数据量较大的情况下可以迅速并较为准确地处理大量数据,面对较为困难的数据处理时可以实现数据的有效分类.