共查询到20条相似文献,搜索用时 93 毫秒
1.
2.
3.
提出一种基于遗传算法和支持向量机的故障诊断模型.该模型采用故障识别中的分类效果作为遗传算法中的适应度函数对故障信号进行特征提取和选择,得到更能反映故障类别的特征,作为识别特征输入多类支持向量机的输入,实现不同类别故障的识别.将该模型应用于变频器功率变换主电路的故障诊断.仿真结果表明,经过遗传算法提取的特征在保持分类精度的基础上,提高了变频器故障识别的效率. 相似文献
4.
5.
6.
7.
8.
支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用... 相似文献
9.
针对SAR图像具有斑点噪声,特征提取较难的特点,提出了基于Contourlet变换和SVM的SAR图像目标识别分类算法.该算法的在特征提取时利用了Contourlet域的标准偏差进行特征提取的方法,后端用支持向量机分类器,提高分类精度.实验结果证明该分类算法能够减少SVM的特征维数,具有较好的分类性能. 相似文献
10.
11.
采用基于1(1/2)维谱分析与K-L变换相结合的特征提取方法,获取被动声纳噪声信号的有效识别信息,对被动声纳的目标信号进行分类。首先对被动声纳噪声进行1(1/2)维谱子带能量的特征提取,然后运用K-L变换实现高维特征向量的降维,剔除冗余特征,并以BP神经网络作为分类器对三类目标进行识别与分类。计算机仿真结果表明,该方法具有较好的分类效果和稳健性。 相似文献
12.
基于多特征联合处理的灵巧噪声干扰识别 总被引:1,自引:0,他引:1
灵巧噪声干扰已成为一种作用于新体制相参雷达的重要干扰类型.为了有效抑制该类干扰,提出一种基于多维特征的抗干扰方式.通过分析DRFM产生灵巧噪声干扰原理,建立目标与干扰信号模型;在分析对比两类信号特性的基础上,提取包络起伏参数、相位门限内概率及盒维数特征以表征目标与干扰信号在波形、相位及尺度信息上的差异;为了进一步提高干扰识别性能,加入表征信号复杂度的近似熵特征,分析表明该特征因子对噪声具有较强的鲁棒性;最后采用支撑向量机对提取的多维特征进行处理以实现灵巧噪声干扰的识别对抗.仿真实验表明,该方法对目标和干扰的正确识别率高且基本不受干噪比影响. 相似文献
13.
14.
The use of support vector machines (SVM) for watermarking of 3D mesh models is investigated. SVMs have been widely explored for images, audio, and video watermarking but to date the potential of SVMs has not been explored in the 3D watermarking domain. The proposed approach utilizes SVM as a binary classifier for the selection of vertices for watermark embedding. The SVM is trained with feature vectors derived from the angular difference between the eigen normal and surface normals of a 1-ring neighborhood of vertices taken from normalized 3D mesh models. The SVM learns to classify vertices as appropriate or inappropriate candidates for modification in order to accommodate the watermark. Experimental results verify that the proposed algorithm is imperceptible and robust against attacks such as mesh smoothing, cropping and noise addition. 相似文献
15.
Elham Ghazizadeh Dariush Abbasi‐moghadam Hossein Nezamabadi‐pour 《International Journal of Communication Systems》2019,32(2)
Cognitive radio (CR) networks have emerged recently to address the problem of spectrum scarcity. As reliable spectrum sensing (SS) is vital in low signal‐to‐noise ratio (SNR) for CR networks, we propose a novel method of enhancing support vector machines (SVM) classifier named as 2‐Phase SVM for the task of SS in a cooperative sensing structure. In this study, the vectors containing energy levels of primary users (PU) are considered as feature vectors and are fed into the classifier during training and test phase. First, the classifier is trained; afterward, the test feature vectors are labeled as channel available class or channel unavailable class in an online fashion by using 2‐Phase SVM, which is applied during two phases compared with the conventional SVM algorithm. The performance of suggested cooperative SS method is evaluated by receiver operating characteristic (ROC) curve and the functionality of our proposed algorithm is qualified in terms of misclassification error rate in addition to misclassification risk. The results reveal that 2‐Phase SVM outperforms previous methods since it not only increases the classification accuracy and reduces the misclassification risk but also enhances the detection probability. 相似文献
16.
提出了一种结合小波变换和RFPCA(robust fuzzy PCA)的特征提取方法,利用SVM(Support Vector Machine)分类器来分类缺陷图像。小波变换具有保留主要信息、去除噪声、多分辨率、去相关性等特点;对变换后的图像采用RFPCA进行识别,可以降低图像噪声的影响。由于小波变换后的图像只为原图像的1/4,大大降低了图像矩阵的数据量,可以用在需要大量训练样本和测试样本的情况。实验结果表明,所提出的方法在识别率有所提高,大大减少了样本训练和识别的时间。 相似文献
17.
18.
纹理识别是计算机视觉领域一个重要的课题,本文研究了统计几何特征(SGF)纹理分析方法并与向量机结合构建分类系统。对支持向量机(SVM)的多分类方法的实现,构建了粗分类和细分类相结合的多分类器,实现了纹理图像的准确划分,为有效纹理特征的表示奠定了基础。本文对统计几何特征提取方法进行了研究,利用图像函数图来进行纹理描述,使用一个可变的阈值把一幅灰度纹理图像切割成一系列二进制图像,由二进制图像的连通域、几何拓扑属性推导纹理描述特征。实验结果表明,统计几何特征具有非常强的纹理描述能力,同时能够克服图像的旋转。 相似文献
19.
20.
基于相关性分析和支持向量机的手部肌电信号动作识别 总被引:3,自引:0,他引:3
为了有效提取表面肌电信号(SEMG)的特征,该文提出了一种基于相关性分析的改进的特征提取方法。首先用空域相关法对两路SEMG信号进行消噪预处理,然后对处理后的SEMG信号进行四尺度小波变换,并通过相关性分析提取SEMG信号的重要边缘在各尺度上的小波系数,以各尺度上的这些系数的平方和构建六维特征向量输入支持向量机分类器,对手部的多个动作进行分类。实验结果表明,基于相关性分析和小波变换构筑的特征向量结合支持向量机的方法能够以较高识别率区分伸腕、屈腕、展拳、握拳4种动作,能够得到比传统的神经网络分类器更为准确的分类结果。 相似文献