基于集成支持向量机的故障诊断方法研究

为了提高支持向量机的泛化能力,研究了Bagging集成学习方法对于支持向量机的提升作用,试验结果表明提升作用不明显。通过模拟数据扰动的方法,在标准数据集上通过试验定量比较了支持向量机和神经网络的稳定性,结果表明支持向量机相对于神经网络来说是一种稳定的分类器。在此基础上,提出了双重扰动法,即通过子空间法扰动数据特征,通过Bagging算法扰动数据分布,来达到提高基分类器之间差异性的目的,在标准数据集和故障诊断数据上进行了试验,试验结果表明,双重扰动法较好地提升了支持向量机的正确识别率。     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

基于小波包和支持向量机的故障诊断方法研究

基于支持向量机（SVM,support vector machine）对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM（least squares support vector machines）进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。     

SVM技术与ANN方法对旋转机械故障诊断性能的比较

论述了基于支持向量机故障诊断技术的基本原理；介绍了传统的基于人工神经网络的故障诊断方法；以旋转机械故障诊断为例对两种诊断方法进行了比较，实验结果表明，与神经网络相比，基于支持向量机的故障诊断方法在训练速度、诊断精度、可靠性等方面都表现出了优越的诊断性能。     

基于双谱奇异值和最优参数支持向量机的目标识别算法

提出了基于双谱奇异值和最优参数支持向量机的目标识别算法。首先从目标距离像的双谱中提取双谱奇异值特征;然后通过实验的方法确定支持向量机参数取值的范围,利用遗传算法获取支持向量机的最优参数;最后应用最优参数支持向量机对3种地面坦克目标进行识别。仿真实验表明,即使在较低的信噪比下该算法仍然可以取得比较高的识别率。     

基于支持向量机的C波段无线电异常信号识别

提出了一种基于支持向量机实现C波段无线电异常信号类型识别的方法.首先,通过对C波段实测异常信号进行统计分析,提取被识别信号的有效频域特征.其次,基于支持向量机分类器结构简单、泛化能力强、可获得全局最优等特点,构建了基于径向基核函数的支持向量机信号识别系统,取得了较高的识别率.最后,Matlab实验结果表明该方法信号识别效率高,在同等条件下优于神经网络.     

基于支持向量机的地基单站GPS反演大气剖面

提出基于支持向量机的地基单站GPS遥感大气剖面的反演方法,主要包括经典支持向量机、最小二乘支持向量机、相关向量机3种方法,利用青岛地区的历史数据进行了仿真反演对比研究,并与神经网络反演方法进行比较,结果表明支持向量机能够有效地应用于地基单站GPS大气遥感领域。     

基于卷积神经网络的反无人机系统图像识别方法

针对无人机的无证飞行和随意飞行严重影响和威胁公共安全的问题,提出了反无人机系统。识别无人机是反无人机系统实现的关键之一,为此提出了一种基于卷积神经网络的图像识别无人机方法。运用自制光学系统采集设备采集了不同型号的无人机图片以及鸟类图片,设计了针对无人机小样本识别的卷积神经网络和支持向量机。运用设计的卷积神经网络分别对MNIST数据集、无人机图片以及鸟的图片进行了识别,同时也运用支持向量机识别无人机和鸟的图片,进行了对比实验。实验结果表明,设计的卷积神经网络在MNIST数据集上识别准确率为91.3%,识别无人机准确率为95.9%,支持向量机识别准确率为88.4%。对比实验表明,提出的方法可以识别无人机和鸟以及不同类型的无人机并且识别结果优于支持向量机,可用于反无人机系统识别无人机,给同类研究提供了借鉴。     

基于粒子群优化相关向量机的网络入侵检测

构建计算机网络的入侵检测系统,对于保护网络中的信息免受各种攻击显得非常重要.为了克服支持向量机的缺点,提出了一种基于粒子群优化相关向量机(RVM)网络入侵检测方法.相关向量机是一种建立在支持向量机上的稀疏概率模型.与支持向量机相比,它不仅具有较高检测精度,还具有较好的实时性,粒子群优化算法用于确定相关向量机的核参数.最后结合试验将提出的方法同支持向量机算法、BP神经网络进行了比较,结果表明提出的相关向量机相比于支持向量机、BP神经网络有着更高的入侵精度.     

一种基于PSOSVM的盲隐写分析方法

针对盲隐写分析中的特征选择问题,提出了结合粒子群优化算法（PSO）的支持向量机分类器进行特征选择的方法。该方法使用非线性支持向量机作为分类器,使用PSO为支持向量机寻找最优的图像特征集合作为训练集和测试集,同时选择最优的支持向量机参数,进而利用最优的特征集和支持向量机参数对隐写图像进行检测。实验结果表明,该优化方法明显优于Farid。ANOVA和F—score方法,提高了检测隐写图像的成功率和系统检测效率。     

Application of Artificial Neural Networks to Medical Image Pattern Recognition: Detection of Clustered Microcalcifications on Mammograms and Lung Cancer on Chest Radiographs

Three neural network models were employed to evaluate their performances in the recognition of medical image patterns associated with lung cancer and breast cancer in radiography. The first method was a pattern match neural network. The second was a conventional backpropagation neural network. The third method was a backpropagation trained neocognitron in which the signal propagation is operated with the convolution calculation from one layer to the next. In the convolution neural network (CNN) experiment, several output association methods and trainer imposed driving functions in conjunction with the convolution neural network are proposed for general medical image pattern recognition. An unconventional method of applying rotation and shift invariance is also used to enhance the performance of the neural nets.We have tested these methods for the detection of microcalcifications on mammograms and lung nodules on chest radiographs. Pre-scan methods were previously described in our early publications. The artificial neural networks act as final detection classifiers to determine if a disease pattern is presented on the suspected image area. We found that the convolution neural network, which internally performs feature extraction and classification, achieves the best performance among the three neural network models. These results show that some processing associated with disease feature extraction is a necessary step before a classifier can make an accurate determination.     

基于GA-BP神经网络的雷达干扰效能评估方法

针对当前雷达干扰效能评估方法中评估模型较为复杂、参数获取困难、应用价值不大的问题，优化了雷达干扰效能评估变量和指标体系，使其更加贴近实际应用；针对传统雷达干扰效能评估方法中依赖专家打分、人为因素影响较大而普通神经网络预测误差较大的问题，采用遗传算法（genetic algorithm, GA）对误差反传（back propagation, BP）神经网络的初始参数进行全局优化，提出基于GA-BP神经网络的雷达干扰效能评估方法,降低评估系统误差。最后，进行了仿真验证，与普通BP神经网络和支持向量机（support vector machine, SVM）进行了对比分析，并通过调整参数进一步优化了该方法。仿真结果表明，该方法明显优于普通BP神经网络和SVM，具有较好的准确度和稳定性，可为实际应用提供科学依据。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

人工神经网络在近红外光谱建模中的应用及研究现状

对国内外近十年来人工神经网络在近红外光谱建模中的应用和研究进行了详细的综述,包括误差反向传播网络、径向基网络、支持向量机、自组织特征映射网、广义回归神经网络、概率神经网络、小波神经网络、模糊神经网络以及集成神经网络等的应用和研究。概括了这些网络的基本工作原理及优缺点。最后根据神经网络的发展方向和工农业的发展需求,提出了今后人工神经网络在近红外建模方面的发展方向。     

基于小波概率网络的局部放电模式识别

针对高压电器局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于概率神经网络与小波变换的混合算法。利用实验室模拟的局部放电信号进行小波分解,提取小波能量系数作为特征参数,并作为概率神经网络的输入进行分类。其得到的结果优于多层前馈神经网络及采用顺序最优化学习方法的支持向量机算法。     

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究

传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络（Convolutional Neural Network,CNN）在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象（文中为金属平板试件）进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。     

星图识别三角形算法综述

在现代的航天领域,根据星敏感器所获得的星图分布情况,可得到飞行器的姿态。因其具有可靠性、保密性、精度高、适用范围大而得到广泛的应用。首先对传统的识别算法进行概述,然后对近年来提出的一些改进算法进行总结,并分别详细地介绍了改进三角形算法、向量索引的算法、字符串索引算法、无需标定参数识别算法、基于神经网络和支持向量机的算法。这些方法在识别速度、成功率、实时性上都有一定程度的提高,在降低虚警的情况下可以提高算法的鲁棒性,还总结了现在星敏感器识别方法的不足,并展望了今后的发展方向。     

Unsupervised texture classification using vector quantization anddeterministic relaxation neural network

This paper describes the use of a neural network architecture for classifying textured images in an unsupervised manner using image-specific constraints. The texture features are extracted by using two-dimensional (2-D) Gabor filters arranged as a set of wavelet bases. The classification model comprises feature quantization, partition, and competition processes. The feature quantization process uses a vector quantizer to quantize the features into codevectors, where the probability of grouping the vectors is modeled as Gibbs distribution. A set of label constraints for each pixel in the image are provided by the partition and competition processes. An energy function corresponding to the a posteriori probability is derived from these processes, and a neural network is used to represent this energy function. The state of the network and the codevectors of the vector quantizer are iteratively adjusted using a deterministic relaxation procedure until a stable state is reached. The final equilibrium state of the vector quantizer gives a classification of the textured image. A cluster validity measure based on modified Hubert index is used to determine the optimal number of texture classes in the image.     

改进支持向量机的光纤陀螺温度漂移补偿方法

温度漂移是影响光纤陀螺精度的主要因素之一,温度漂移建模和补偿是消除和减小温度漂移的有效方法。首先分析了影响光纤陀螺温度漂移的关键因素,同时进行了光纤陀螺温度漂移测试实验。然后采用泛化能力较神经网络更好的支持向量机对光纤陀螺温度漂移进行回归、建模,其中支持向量机的核函数采用了具有更好数据集适应性的径向基核函数。为了提高支持向量机的建模精度,引入人工鱼群算法对支持向量机的核心参数C（惩罚系数）和核函数的参数进行寻优。最后,使用实际的光纤陀螺温度漂移数据对提出的补偿方法进行实验验证,结果表明采用该方法补偿后的剩余光纤陀螺误差较采用线性回归方法减小了四五个数量级。     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。