基于SVM的虚拟人彩色切片图像自动分割

为实现对数字虚拟人彩色连续切片的自动分割,提出了一种基于支持向量机的自动分割方法.该方法首先利用虚拟人连续切片图像间在颜色、纹理等特征的相似性,使用支持向量机分类方法对相邻图像进行分割.在分割结果达不到预定允许最小相似度条件或一次训练结果用于连续分割切片次数达到给定的最大允许次数时,则再利用相邻切片在空间上的相似性,自动对当前切片进行重新采样,然后继续训练、分割.使用虚拟中国人女性一号(VCH-F1)数据集中切片图像进行实验,对比研究了允许的最小相似度测度及允许最大连续分割次数对分割质量和分割时间的影响,并给出了受噪声污染图像的自动分割结果.该方法能有效实现对虚拟人连续切片图像的自动分割,能在保证一定分割质量的同时,兼顾分割速度,并能较好地克服噪声影响.     

基于矢量控制技术的PWM整流器理论与仿真

分析了PWM整流器矢量控制的基本理论和应用前景,给出了矢量图及物理概念、矢量运算模型,采用电压和电流闭环调节控制策略.并进行仿真验证,其结果证明给出的理论分析是正确的.     

对反向Chebyshev不等式的推广

推广了反向Chebyshev不等式,得到了对应分量的单调性相反的连续向量函数的积分不等式和模的单调性相反的连续向量函数的积分不等式.     

数控车床坐标系建立与几种对刀方法的探讨

数控机床加工坐标系的确定非常重要,通过对数控车床机械坐标系原点的确定分析,探讨比较数控车床试切法中的几种对刀方法的原理特点.     

基于支持向量机的典型宽带电磁干扰源识别

由于民航周围电磁环境复杂, 一旦产生电磁干扰(electromagnetic interference,EMI), 就不易被排查, 特别是随机性较强的宽带干扰。对此, 提出一种基于支持向量机(support vector machine, SVM)的干扰源识别方法。通过实时测量干扰信号的频谱数据, 并分析其特点, 选择包络因子、频谱能量、频谱峰值、均值和方差5个特征向量, 用主成分分析法降低数据冗余程度, 最后采用SVM来判断干扰源类型。仿真结果证明, 所提算法能有效识别6类典型机场宽带干扰源, 识别精度可达98.33%。     

关于支持向量机参数选择方法分析

在分析支持向量机(SVM)原理基础上,分析了SVM中核函数、核参数及惩罚参数C的影响。介绍了两种SVM参数选择方法,作了深入比较,并提出了一种改进的最优化方法。     

基于LWSVR的繁忙机场航班滑出时间预测

针对繁忙机场航班滑出时间预测准确率低的问题,结合局部回归和加权支持向量回归,提出基于局部加权支持向量回归的离港航班滑出时间预测模型。该模型采用K最近邻方法,减小训练样本集容量,并为每个预测样本构建一个预测模型。通过计算训练样本与预测样本间的马氏距离,来优化加权支持向量回归中高斯核加权函数的带宽参数,获得加权系数。结合某机场离港航班数据仿真分析,实验结果表明模型在误差允许范围内的预测准确率达到83.33%,模型更加稳定。     

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。     

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能,需对其进行有效分类,以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题,提出了基于改进的局部保持投影的备件分类方法。首先,根据战时备件分类储备的影响因素,作为备件分类的特征指标,其次,利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维,得到低维特征向量。再利用支持向量机（support vector machine,SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优,提升备件分类精度,得到满足备件分类准确率最优时的降维维数和分类器参数。最后,通过对演习装备备件分类的实例分析,验证了模型的可行性和合理性,并对比分析了其他分类方法,表明该方法能够较好地解决战时备件分类的问题。     

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。