采用多分类器集成方法的带钢表面缺陷图像识别

现有带钢表面缺陷在线识别系统中单个分类器对部分缺陷识别率不高,并且对训练样本依赖性较大;针对这一问题,提出了一种基于并行多分类器集成技术的带钢缺陷图像识别方法．该方法选择LVQ神经网络、RBF神经网络和支持向量机作为基分类器,应用加权投票法对基分类器进行集成,从而实现基分类器能力互补．实验表明,采用多分类器集成的带钢表面缺陷图像识别方法可以更准确地对带钢常出现的边缘锯齿、焊缝、夹杂、抬头纹等缺陷进行识别,能够得到相当或优于任何单个分类器的分类精度,总体识别率达到96％以上。     

基于多特征融合的遥感图像河流目标检测算法

针对近似河流无法准确检测出来的问题,提出了一种基于多特征融合的遥感图像河流目标检测算法．首先根据提取样本图像的局部熵、纹理和角点信息特征构建了有效区分河流区域和背景区域的特征向量,利用支持向量机进行训练获得决策函数,通过决策函数判断测试图像的河流区域,完成河流区域的粗检测;然后结合粗检测的结果,应用测地线活动轮廓模型提取完整准确的河流区域．实验结果证明该算法对河流目标定位准确,获得的河流检测结果具有良好的连通性,可以准确地检测复杂背景下的河流区域．     

一种基于CSM模型的TBM刀盘比能预测方法

为了解决全断面掘进机在掘进时刀盘比能预测的难题,以岩石断裂力学为理论基础,深入分析了TBM滚刀的受力情况和破岩机理,基于CSM预测模型提出了一种新的TBM刀盘比能预测方法.通过建立滚刀与岩石相互作用的力学模型,推导出TBM刀盘的比能预测模型,并通过实例计算对刀盘的比能水平进行了量化研究,验证了模型的正确性.该预测模型基于滚刀破岩的机理,能够实时预测刀盘的比能,为TBM的刀盘优化设计以及性能预测提供了一定的理论依据.     

基于支持向量机的数字水印算法综述

对基于支持向量机的数字水印算法做了概要性的介绍,由于支持向量机可以通过有限的训练集样本得到小的误差,从而提高学习的泛化能力,因此支持向量机在版权保护领域有很好的应用效果．对基于支持向量机的数字水印技术的相关概念和现有算法进行了描述与分析,另外,对基于支持向量机的数字水印技术的未来发展方向和前景进行了预测．     

基于LS-SVM的温度传感器非线性关系拟合及参考端温度补偿

文章编号: 提出一种基于最小二乘支持向量机(LS-SVM)的温度传感器非线性关系拟合模型,并根据温度传感器的输入 输出特性给出两种方案对参考端温度进行补偿. 建立了LS-SVM回归模型,利用LS-SVM超强的学习能力对温度与电势 间的非线性关系进行精确拟合. 两种方案均可对参考端温度进行有效补偿,其中方案2 可根据参考端温度、传感器实测 电势对实际温度直接拟合,简化了补偿过程,提高了识别精度. 实验表明,LS-SVM回归法及文中所提出的补偿方案能很 好地逼近实际温度,提高测量精度.     

基于局部密度比的模糊隶属度设置算法

基于知识发现中的局部异常因子思想, 提出一种基于局部密度比的模糊隶属度设置算法, 该算法根据样本的邻域密度比设置样本的隶属度, 并采用一种单参数选择策略. 数值实验表明, 所提出的算法在带噪声的非线性函数估计方面具有很好的鲁棒性, 有效地解决了模糊支持向量机中的模糊隶属度设置问题, 对处理带噪声的分类和非线性函数估计问题具有重要的意义.     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

人工神经网络和支持向量机性能比较及其在DMD疾病识别中的应用

对人工神经网络(ANN)和支持向量机(SVM)这两种机器学习方法进行了分析与比较,并分别利用两种算法对神经肌肉罕见病DMD的磁共振图像(MRI)数据进行建模、分类预测.经对比后得出结论:两种算法结果均表明,DMD的两类MRI(T1和T2)中,T1更具特征性,故此类患者的MRI检查可仅进行T1扫描;若能选择合适的模型参数,则两种算法模型均具有极好的分类预测效果,其灵敏度、特异度和准确率分别高达98.5%,97.3%,97.9%和96.9%,97.3%,97.1%;利用机器学习方法对DMD患者的MRI进行分析处理可作为该病无创检测的技术探索,有望为临床提供客观有效的辅助诊断手段.     

An extended Lagrangian support vector machine for classifications

Lagrangian support vector machine (LSVM) cannot solve large problems for nonlinear kernel classifiers. In order to extend the LSVM to solve very large problems, an extended Lagrangian support vector machine (ELSVM) for classifications based on LSVM and SVMlight is presented in this paper. Our idea for the ELSVM is to divide a large quadratic programming problem into a series of subproblems with small size and to solve them via LSVM. Since the LSVM can solve small and medium problems for nonlinear kernel classifiers, the proposed ELSVM can be used to handle large problems very efficiently. Numerical experiments on different types of problems are performed to demonstrate the high efficiency of the ELSVM.     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.