利用声波和地震波识别军事车辆类型

声波和地震波是军事车辆类型识别的重要信息源,针对军事车辆运动时产生的声波和地震波,采用短时傅里叶变换提取其波形数据的频谱特征向量,提出基于能量频谱密度进行二次特征选择,构造声波和地震波频谱特征向量子空间,从而降低了特征向量的维数.应用支持向量机(SVM)和最近邻分类法(KNN)分别对声波和地震波数据来进行军事车辆分类,结果表明:基于能量频谱密度的二次特征选择方法能有效地构造出声波和地震波的特征子空间,由此得到的分类准确率高于传统的特征选择方法.通过比较SVM和KNN的分类结果可以得出SVM的分类效果优于KNN.     

基于支持向量机的乳腺癌辅助诊断

采用支持向量机、K-近邻法(K-Nearest Neighbor,K-NN)、概率神经网络(Probabilistic Neural Network,PNN),结合乳腺肿瘤的细针穿刺细胞病理学临床数据诊断乳腺癌.结果表明:当使用sigmoid核函数时,SVM通过5次交叉验证的最佳平均分类准确率达到了96.24%,优于K-NN(95.37%),PNN(95.09%)等分类器,表明该方法有望成为一种实用的乳腺癌临床辅助诊断工具.     

上肢动脉系统的三段式电网络建模与仿真

根据弹性腔模型,建立了上肢动脉系统的三段式电网络模型。该模型以肱动脉血压波形为输入,采用状态空间分析法建立了电网络模型的空间状态方程组,并利用四阶龙格库塔方法对其进行数值求解,得到桡动脉的血压和血流波形。利用该电网络模型分析了正常和病理（动脉硬化和高血压）情况下对桡动脉脉搏波的影响。实验结果表明：该电网络模型的参数具有较好的生理意义;模型的求解计算精度较高,收敛快;能有效地对正常和病理情况下上肢动脉的血液动力学特征进行仿真。     

利用支持向量机SVM识别车辆类型

支持向量机（Support Vector Machine，SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力，已被广泛地应用于多类分类问题的研究．以车辆轮廓特征为对象，将二类分类支持向量机SVM应用于多类车辆类型的识别，并与其它分类器的分类结果进行了对比．通过9次交叉验证实验，结果表明SVM对车辆数据样本的测试准确率达到了85．59％，其分类性能优于其它分类器．     

支持向量机在地震预测中的应用

利用支持向量机分析了发生在美国加州中部的2次6级以上地震的震前大地脉动.通过对离地震最近的3个地震台站的地震数据进行震前大地脉动分析,结果表明:支持向量机能有效地区分震前大地异常脉动和平静时期的大地脉动,并且随着地震的临近预报准确率逐渐增加;2次地震的震前大地异常脉动分别始于地震前48 h和12 h.分析了加州CI地震台网内的14个地震台站记录的2003年12月22日发生在加州中部的6.4级地震所观测的震前脉动数据,发现处在震中附近的12个地震台站均观测到震前大地的异常脉动,且距离震中附近的断层越近,监测到震前脉动异常的几率越大.对3个观测站进行连续监测,结果表明:监测到大地震(M≥5)所引发的震前脉动异常的概率大于小地震(M＜5).因此,该方法有望发展成为地震预报的一种有效手段.     

基于MFCC和SVM的说话人性别识别

建立了普通话语音性别数据库,提出联合梅尔频率频谱系数(Mel-frequency CepstrumCoefficients,MFCC)的特征提取方法和支持向量机(Support Vector Machine,SVM)的分类方法进行说话人性别识别,并与其它分类方法进行比较,实验结果表明该方法的说话人性别识别准确率达到98.7%,明显优于其它分类器。     

人体上肢血管系统建模及仿真

为了探讨人体动脉脉搏波中所蕴涵的血流动力学信息,从而预测人体生理病理状态。根据Windkessel模型理论,将血管等效为许多小的串联的弹性管道的模型,建立了一个上肢血管系统的电网络模型。采用Matlab中的Simulink/Simpowersystem模块构建该上肢电网络模型进行仿真试验,对动脉脉搏波进行动态模拟。鉴于高血压和动脉硬化等疾病主要体现在心血管动力学参数的变化上,分析研究了血流动力学参数中外周阻力和血管顺应性对脉搏波的影响。仿真结果与生理实际系统相符,表明该模型具有一定的实用性和有效性。     

中药组方的计算机辅助分类与识别

应用支持向量机（SVM）在中药药方的识别和新中药药方的预测方面进行了有益的探索．介绍了支持向量机的应用领域,以及多味传统中药组方的数据样本的收集、草药的特征向量构造方法,给出了SVM^＊对4味-10味复方的训练及测试结果等．被预测为假阳性（Falsepositive）的样本极有可能是迄今为止人们尚未发现的新药药方,因此将具有提供给中医药学者进行进一步研究的价值．