基于支持向量机处理圆度误差

提出一种基于支持向量机计算圆度误差的方法.支持向量机的理论基础是Vapnik创建的统计学习理论.它采用结构风险最小化准则,在最小化样本点误差的同时,缩小模型预测误差的上界,从而提高了模型的泛化能力.该方法采用支持向量机对圆度误差评价,克服了传统圆度最小二乘法评价的局部收敛问题.仿真实验结果表明介绍的方法可以有效、正确地评价圆度误差.     

一种新的支持向量机树学习模型

针对特征空间维数较高时,混淆交叉支持向量机树中间节点的学习结果可能包含冗余特征信息的情况,考虑各维特征之间的相互关系以及各数据点之间的相互关系对数据的分类影响,提出一种基于有监督局部线性嵌入的支持向量机树学习模型.考虑每个中间节点上需要不同的特征信息进行局部决策,分别对每个中间节点(包括根节点)上的样例进行有监督局部线性嵌入学习.实验以手写阿拉伯数字识别问题为例验证和分析了模型的结构和分类识别性能,与其他学习模型的对比结果表明,该模型能在有监督局部线性嵌入学习的基础上,以更精简的结构获得与其他学习模型可比的识别精确率.     

机械波中能流的成因

分析了机械波中弹性媒质的形变,运用功能关系对机械波中能流的成因给出直观的解释.     

经编机摆动臂有限元分析及优化设计

以有限元分析与优化设计理论为基础,结合UG NASTRAN有限元分析软件,建立了经编机槽针床摆动臂结构的有限元分析模型,对其结构进行了静力学应力分析,利用应力分析结果作为优化设计的强度和刚度约束条件,建立了经编机槽针床摆动臂的数学模型,并对其进行优化。结果表明,在保证零件强度和刚度的前提下,通过改变主要设计尺寸参数,使结构的质量减轻了7.6%,从而有效提高了机构的运行速度。     

基于前馈-反馈复合控制的盾构土压平衡控制

为使盾构土压平衡控制系统既有较高的土压力控制精度又能及时消除推进速度波动对土压力产生的干扰,在现有土压平衡控制系统基础上,提出基于推进速度前馈-密封舱压力反馈的土压平衡控制系统.建立密封舱土压力数学模型,根据模型描述的推进速度、螺旋输送机转速和密封舱土压力之间的关系,通过推进速度前馈环节得到螺旋输送机转速相应的改变量,在推进速度波动对密封舱压力造成干扰之前进行补偿.同时,系统中的土压力反馈环节可以进一步消除其他干扰因素造成的土压力控制误差,提高系统稳态精度.利用在盾构实验台上采集的实验数据进行对比分析计算,验证土压力产生机理模型的有效性.结果表明,在前馈-反馈土压平衡控制系统中推进速度改变后螺旋输送机马达转速的响应时间约为0.5 s,而在反馈系统中约为2.5 s,前馈-反馈系统土压力控制最大相对误差为1.54％,而反馈系统为6.52％,因此证明当推进速度波动时,采用前馈-反馈控制的土压平衡控制系统具有更好的性能.     

人脸检测与识别方法研究

人脸图像处理包括人脸检测、人脸识别等．分析了有关人脸检测问题的研究方法并对其进行了分类和评价,重点介绍了人脸自动识别这一领域的研究方法并对其进行了简要分析评价,最后提出了人脸图像处理领域的研究展望．     

结构半主动变阻尼器地震反应控制数值模拟

针对半主动变阻尼器地震作用下多层建筑结构基于支持向量机（SVM）的半主动控制算法,选用四条地震波即El-Centro波、Hachinohe波、Kobe波以及上海人工波,并将峰值地面加速度均调幅至0.1gal.结果表明：总体上基于SVM半主动变阻尼器能够提高对结构层间位移和速度的控制效果;特别,消除了受控结构局部加速度放大现象.     

基于复杂网络和机器学习的P2P用户违约预测

互联网的发展不断冲击着各个行业,P2P行业作为2013年开始兴起的互联网金融中的重要组成部分最近一段时间由于信用违约等原因,给许多用户带来了不小的财产损失.对于P2P行业来说,对用户的信用预测及防范违约风险是事关公司利润的核心问题.本文利用用户手机通讯录之间的包含关系构建社交网络,并从复杂网络的视角加以分析.通过将分析结果转化为机器学习的输入特征,我们用支持向量机的方法挖掘其内在的关联,从而利用用户的社会网络结构性质预测其信用情况.我们的模型基于知名互联网金融公司闪银所提供的大规模脱敏数据,得到了很好的预测效果.     

基于轮询机制的Utopia接口设计与实现

针对多个物理层传输芯片(PHY)、单ATM层的应用情况,分析了Utop ia level 2接口时序,基于现场可编程门阵列(FPGA)设计并实现了轮询机制的Utop ia接口逻辑,给出了时序仿真结果。设计了一种ATM同高层协议的接口逻辑并给出了进一步减小轮询操作开销的方法。同传统单端口模式相比,节约了75%的逻辑资源和引脚。测试结果表明,4个物理层单元能以155 Mbps的速度双向并行通信,可为模块化设计提供参考。     

基于支持向量机的机械设备状态趋势预测研究

提出了用支持向量机对机械设备状态趋势进行预测的新方法,构造了相应的支持向量回归机,并分别用仿真数据和实际数据对其性能进行了验证．将该支持向量回归机应用于某机组振动信号的预测,采用径向基核函数和合适的参数,使该向量回归机对振动量峰峰值的单步预测误差小于2％,24步预测误差小于5％,表明该算法对机械设备的运行状态趋势具有较好的预测能力．