采棉机器人中棉花成熟度的识别

为了提高采棉机器人中成熟棉桃的正确识别率,提出了基于Hu不变矩提取棉桃的形状特征,采用支持向量机分类器构造棉桃分类系统的方法。针对棉桃预处理图像提取Hu矩,将特征送入BP神经网络进行学习,用训练得到的模型对测试样本进行测试。实验结果表明:该方法能快速识别成熟棉桃,且具有较高的识别率。因此对采棉机器人的实现具有重要意义。     

LCD—GA—LSSVM集成分类器及其在齿轮故障诊断中的应用研究

针对齿轮故障诊断模式识别问题,在综合局部特征尺度分解、遗传算法及最小二乘支持向量机学习算法各自优点的基础上,提出了一种新的局部特征尺度分解—遗传算法—最小二乘支持向量机(LCD-GA-LSSVM)集成分类器模型。在该模型中,利用局部特征尺度分解算法实现对样本数据的特征选取;最小二乘支持向量机实现样本特征向量与故障模式之间的非线性映射;遗传算法用于实现对最小二乘支持向量机的参数进行优化以使其泛化能力达到最优。经过实验分析与验证,LCD-GA-LSSVM集成分类器对齿轮正常、齿根裂纹、齿面磨损、轮齿折断、局部齿形误差、复合故障等6种运行状态120组测试样本的识别率达到了93.33%。     

基于支持向量机与最近邻分类器的模拟电路故障诊断新策略

针对模拟电路的故障诊断和定位问题,提出了一种基于支持向量机分类器(SVC)和最近邻分类器(NNs)的模拟电路故障诊断新策略,利用SVC解决高维故障样本的分类问题,而采用NNs解决故障样本间的重叠问题。首先建立"1-v-r"结构的SVC对电路故障样本进行训练,并根据训练参数构建故障字典;其次,在测试阶段,根据算法决定利用SVC或NNs对未知样本进行测试。本文设计的故障分类器方法简单,结构确定,通过对两个模拟电路的实验表明,所提出的方法性能要优于常规的"1-v-r"支持向量机分类器;与"1-v-1"支持向量机分类器的诊断性能较为接近,但测试时间较后者显著减少,较为适合模拟电路的故障诊断。     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.     

采用SVM的磨粒分类识别方法研究

为克服传统磨粒识别分类器训练时需要大量特征样本的缺点,设计一种基于多元支持向量机(Multi-Support Vector Machine,Multi-SVM)的磨粒识别分类器.支持向量机(SVM)是一种新的机器学习方法,在小样本和高维二元分类方面有非常突出的优点.实验证明,依据此优点设计的多元支持向量机磨粒分类器模型,不仅可以在小样本情形下对模型进行快速训练,而且可以快速识别多种磨粒类型,同时识别率也比传统的神经网络方法有较大提高,从而达到了提高设备监测和故障诊断效率的目的.     

一种基于SVR的发动机多模式故障诊断方法

针对传统基于支持向量分类机(SVC)的发动机多模式故障诊断方法需要多个二类分类器的问题,提出了一种基于支持向量回归机(SVR)的多模式故障诊断方法。该方法首先应用归一化的故障数据样本和一个支持向量回归机构建一个发动机故障诊断回归模型,再对支持向量回归机的输出结果进行基于距离的聚类操作得到发动机的故障模式,诊断模型的参数向量采用一种基于Tent混沌映射的量子粒子群优化算法及样本测试集的均方根误差与平均相对误差同时最小的准则进行整定。实验结果表明,所提出的方法能够克服常规支持向量分类机多模式故障诊断方法需要多个二类分类器的缺陷,降低了建模的时间复杂度,有效地提高了发动机的故障诊断性能。     

基于类间可分性度量和SVM的多故障分类算法

由于基于支持向量机(Support Vector Mechine,简称SVM)的多类分类算法的分类器结构对故障分类效果有直接影响,首先提出一种在高维特征空间基于核函数的J<,b>*/J<,w>*类间可分性度量准则,然后根据可分性度量结果用min-max原则来构造支持向量机分类器结构.通过对滚动轴承4类故障测试样本的分类试验结果表明,采用该方法构建的分类器其分类效果明显优于任意确定的二叉树结构分类器,有更高的故障识别率.     

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法.该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类.试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%.     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于最小二乘支持向量机的局部放电信号的识别

为提高小样本情况下识别局部放电信号的正确率,采用最小二乘支持向量机(LSSVM)对局部放电信号进行识别,利用网格搜索法先进行粗略搜索,再精细搜索参数,进行参数寻优。采用M-ary方法进行多分类。并采用LSSVM和BP神经网络两种分类器对局部放电信号进行识别,识别结果表明,LSSVM识别率比BP要高。该方法在小样本情况下具有更高的识别率。     

基于GMM聚类的鲁棒性i向量说话人确认

针对i向量说话人确认系统识别率低且鲁棒性差的问题,提出一种基于GMM聚类的鲁棒性i向量生成算法,应用于SVM说话人识别系统。该算法根据话者GMM模型间的巴氏距离,对说话者GMM模型进行聚类,将N个说话人模型划分为K类,再根据聚类中心模型,应用MAP算法提取聚类超向量,采用联合因子分析方法提取其i向量,对得到的i向量应用线性判别分析和类内协方差归一化技术对其进行信道补偿和降维。将该i向量用于训练SVM以判定目标说话人,仿真实验验证了该算法的有效性。     

基于相位一致性最大响应方向的虹膜识别方法

为了进一步提高虹膜识别的准确性,提出了一种基于相位一致性最大响应方向的虹膜识别方法.该方法对人眼图像进行图像预处理,得到归一化的虹膜图像;然后,提取像素对于相位一致性的最大响应方向作为可区分性特征,并将最大响应方向的序号编码为简单易处理的二进制虹膜代码;最后,通过计算两个虹膜代码之间的加权汉明距离衡量二者的差异,并给出识别结果.实验结果表明,该方法的等错率为0.871 5%,正确识别率为99.851 8%.与经典的虹膜识别方法相比,该方法具有更高的识别准确性.     

基于小波变换和LDA/FKT及SVM的人耳识别

人耳识别技术是生物特征识别和人工智能领域的一个重要分支.针对人耳图像自身的特点并通过对现有方法的研究,本文提出了一种新的人耳识别方法,即先对人耳图像进行二维的离散小波分解,然后使用LDA/FKT算法对小波分解后得到的低频信息进行降维,进而获得图像的特征向量,最后采用支持向量机作为分类器对样本向量进行判别.实验证明,本文提出的方法不仅较好地解决了人耳识别中的小样本问题,而且还取得了比传统的PCA+LDA方法更高的识别率,是一种有效的人耳识别方法.     

基于机器人视觉的服务机器人表情识别研究

开发了一种基于机器人视觉的表情识别系统。系统首先基于人脸肤色及Gabor纹理特征精确定位人脸区域,其次用Gabor小波变换提取表情特征并设计基于支持向量机的表情分类器,最终实现对7种人脸基本表情的识别。实验表明,该方法在室内环境下能够实时地识别表情并具有较高的识别成功率。     

Application of the PSO–SVM model for recognition of control chart patterns

Control chart patterns are important statistical process control tools for determining whether a process is run in its intended mode or in the presence of unnatural patterns. Accurate recognition of control chart patterns is essential for efficient system monitoring to maintain high-quality products. This paper introduces a novel hybrid intelligent system that includes three main modules: a feature extraction module, a classifier module, and an optimization module. In the feature extraction module, a proper set combining the shape features and statistical features is proposed as the efficient characteristic of the patterns. In the classifier module, a multi-class support vector machine (SVM)-based classifier is proposed. For the optimization module, a particle swarm optimization algorithm is proposed to improve the generalization performance of the recognizer. In this module, it the SVM classifier design is optimized by searching for the best value of the parameters that tune its discriminant function (kernel parameter selection) and upstream by looking for the best subset of features that feed the classifier. Simulation results show that the proposed algorithm has very high recognition accuracy. This high efficiency is achieved with only little features, which have been selected using particle swarm optimizer.     

基于遗传算法的支持向量机分类器模型参数优化

建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善。本文运用支持向量机建立模式识别分类器模型,研究影响模型分类能力的相关参数,在分析参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机分类器模型的参数自适应优化算法。最后,用算例表明了本文算法的正确有效性。     

应用小波包能量谱及SVM的安瓿内浮类异物识别

目的：为了解决安瓿内漂浮物与悬浮物的识别问题,本文提出了一种基于小波包能量谱的特征提取及支持向量机的识别方法。方法：首先通过图像序列差分及点检测分割提取杂质存在区图像作为目标区;然后将目标区沿安瓿瓶轴线方向逐行叠加形成一维信号;对一维信号进行小波包分解,采用主成分分析方法提取小波包分解特征向量中独立主成分;以小波包特征向量中独立主成分的能量谱作为异物类型特征;将提取的特征作为支持向量机的输入向量,采用序列最小优化方法实现训练样本快速分类。实验过程中选择不同类型的核函数和相应参数进行训练和测试。结果：实验结果显示,相对于传统BP网络,SVM在将识别用时减少近60%,识别精度提高了35%。结论：能够满足在生产中对浮类杂质的提取和快速识别的要求。     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。     

基于铁谱图像异类特征融合的磨损类型识别方法

针对铁谱磨粒图像识别中存在特征单一、异类特征的综合利用率低等问题,提出一种磨粒图像多特征的异类信息融合识别方法。首先,对在线铁谱图像预处理基础上提取磨粒纹理(ASM、熵、相关、对比度)、颜色(均值、方差、斜度)、几何(7个不变矩)3种统计特征;其次,对提取特征数据进行[0,1]归一化处理,采用超球心间距法确定核参数,运用超球多类SVM实现基于单种特征的多类磨损识别;最后,在单种特征识别基础上通过后验概率构造3种特征所需的软判决基本概率赋值(BPA)函数,运用超球多类SVM与D-S证据理论结合法实现异类特征融合的铁谱图像识别。特征融合方法识别最高识别率达到了96.1%,与单一特征识别结果相比,识别准确度更高,且实现了不同特征的互补。