基于遗传算法的支持向量机人脸识别技术

人脸识别身份验证技术是目前一个非常活跃的研究课题.文章针对人脸识别系统涉及到的人脸特征提取、识别验证等环节,利用K-L变换首先对人脸图像进行特征参数提取,并提出用支持向量机与遗传算法相结合的新型算法进行分类识别,利用遗传算法自动选择最优的核函数参数,将以上方法相结合的新型人脸识别方法的实验结果表明,该方法所得参数确定的SVM具有较优的识别率,其整体性能优良.     

NURBS曲线机床动力学特性自适应直接插补

提出了一种具有机床动力学自适应能力与曲线前瞻控制能力的NURBS曲线插补算法．算法通过分析加工曲线的几何特征与机床的动态特性,获取曲线插补的前瞻控制信息;并用于指导实时插补．整个插补分两个阶段,首先通过曲线性态与机床特性,运用遗传算法,获取曲线中特殊点的信息,作为曲线插补的前瞻控制信息;然后依据此信息,在实时插补中对插补速度进行校验调整,实现高速曲线插补．该算法较目前同类算法有三个优点：具有机床适应性,能在不同的机床上均可加工出高质量的工件;加工轮廓精度高,进给速度可随曲线曲率自适应调整,保证了插补的轮廓精度;速度波动小,既保证了加工件的表面质量,又避免对机床造成过量冲击．     

支持向量机在股票价格预测中的应用

综合在中国市场上流行的主要几种技术指标,应用支持向量机分类方法,对个股的价格涨跌进行预测分析.以当前几天的技术指标值为输入向量,若下一天的股价上涨则把该向量归为正类,若下跌则把它归为负类.先利用支持向量机对样本进行训练学习,建立一个分类模式,然后根据当天及前3天指标数据对明天股价进行预测,实证结果表明对个股的预测准确率都大于60%.     

悬挂式惯性振动设备多场耦合瞬态过程分析

为了研究悬挂式振动设备启动瞬态共振的产生机理与抑制方法,提出了考虑几何非线性的轴向受力横向大变形柔性吊杆梁模型,并基于异步电机瞬态过程理论,对悬挂式振动设备启动多场耦合瞬态过程进行了数值模拟。采用非线性弹性理论和Euler-Bernoulli梁理论建立了非线性柔性吊杆梁力学模型并进行了数值求解,得到了柔性吊杆自由端横向变形非线性弹性特性曲线。考虑异步电动机瞬态过程,建立了振动设备刚、柔、电启动瞬态过程多场耦合模型。数值仿真结果揭示了振动设备瞬态共振的产生机理和偏心距自调激振方式瞬态共振的抑制机理。在相同条件下,电磁转矩振荡衰减时间在原激振方式下约为0.5 s,在自调式激振方式下低于0.2 s;最大瞬态振幅在原激振方式下为133.89 mm,在自调式激振方式下为90.6 mm,瞬态共振得到了很好的抑制。     

基于数学规划的平行机批量调度固定优化算法

以半导体制造行业为应用背景,研究带产能约束的平行机批量调度问题。该问题需要同时考虑基于产品加工顺序的生产准备时间约束、产品加工的时间窗约束、设备和产品的匹配约束以及设备偏好性等约束。为此,构建了混合整数规划(MIP)模型,并设计了基于MIP模型的固定优化启发式算法。该算法先按照随机设备柔性最小优先规则把设备预先分配给需要加工的产品,从而可以通过更新设备和产品匹配关系矩阵来降低子问题的求解难度;再利用基于设备分解和基于时间分解的两种分解方法,固定住MIP模型中的大部分0-1变量,从而可以有效地利用MIP求解器优化剩余的一小部分0-1变量。大量随机产生的实验算例和半导体工厂真实算例表明:该算法优于现有文献中其他基于MIP的启发式算法,特别是当算例中设备柔性较高和需求变动较大时,该算法绩效更加显著。     

特征提取和小样本学习的电力工程造价预测模型

通过特征提取和小样本学习的结合,提出一种全新的基于混合算法的电力工程造价预测模型。利用主成分分析对原始指标进行预处理,消除原始指标之间的相关性,并提取潜在的综合独立指标,将新指标作为输入集构造基于最小二乘支持向量机的预测学习模型,将其预测结果和神经网络模型预测对比分析。并通过不同主成分数目预测结果的比较,确定最优的主成分个数,达到理想的预测效果。实例预测结果表明:该方法可以有效提取原始指标的信息量,在小样本学习方面表现突出,能够达到期望的预测效果。     

基于SVM多类分类算法的模拟电路软故障诊断

给出了基于支持向量机(SVM)1-v-1和决策导向无环图(decision directed acyclic graph,DDAG)多类分类算法的模拟电路软故障诊断新方法.DDAG是在1-v-1算法基础上构建的新的学习架构,在对多个SVM子分类器进行组合的过程中,引入了图论中有向无环图的思想.比较了采用不同核函数时支持向量机的分类结果.实验结果表明采用DDAG支持向量机(DAGSVM))多类分类算法时,诊断准确率为99%.因此,DAGSVM算法具有较高的诊断准确率.     

Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

中文嵌套命名实体关系抽取研究

为了解决嵌套命名实体关系抽取研究缺乏相关语料库这一问题, 在现有中文命名实体语料库的基础上, 将人工标注与机器学习相结合来抽取其语义关系。人工标注一个中文嵌套命名实体关系语料库, 然后分别采用支持向量机和卷积神经网络等方法, 进行中文嵌套实体关系抽取实验。实验结果表明, 在人工标注实体的中文嵌套命名实体语料上, 嵌套实体关系抽取的性能非常好, F1指数达到95%以上, 而在自动识别实体上的抽取性能尚不理想。     

支持向量机方法中加权后验概率建模方法

为解决传统支持向量机方法不提供概率输出的问题,在支持向量机多类分类问题输出概率建模中,提出了加权后验概率建模方法。该方法在对多个两类支持向量机分类器的输出概率进行组合时,充分考虑了各个两类支持向量机分类器的差异。依据Bayesian理论,采用后验概率作为各个两类支持向量机分类器的权系数。实验结果表明,与投票法及Pairwise Coupling方法相比,加权后验概率方法具有较低的分类错误率,不仅具有较好的分类性能,而且得到的后验概率具有较好的概率分布形态。该方法有效地解决了实际多类分类问题中支持向量机的概率建模问题。