基于差分进化支持向量机的作战效能评估方法

武器系统作战效能的评估具有重要意义。针对作战效能评估过程中影响因素复杂、小样本、非线性等问题,引入基于最小二乘法的支持向量机回归算法,用于作战效能的学习与预测。为了提高预测精度,引入差分进化算法进行支持向量机的参数优化选取。以地地导弹武器系统效能为例,分别采用 BP神经网络算法、经典支持向量机算法与本文算法进行仿真计算,结果表明差分进化支持向量机算法可很好地实现武器系统作战效能评估,具有较好的计算精度。     

基于粗糙集和支持向量机的武器系统效能评定

首先利用粗糙集理论中的条件信息熵算法对系统特征参数进行了约简，提取出了关键特征参数，在此基础上再利用支持向量机算法对武器系统效能进行了评定．最后通过对弹道导弹武器系统效能进行评定，验证了该方法的有效性．     

基于多特征信息的支持向量机数据关联算法

数据关联是多目标跟踪中的关键问题.利用信息融合技术和支持向量机分类模型,提出了一种新的多目标跟踪数据关联算法--基于多特征信息的支持向量机的数据关联算法.该算法充分利用了传感器的测量信息,从而减小了量测与航迹关联的不确定性;并且由于支持向量机算法是一个二次型优化问题,从而克服了人工神经网络训练过程中的局部极小值的问题.计算机仿真表明,该算法具有较高的关联性能.     

基于多目标蚁群优化的单类支持向量机相似重复记录检测

为解决数据源中相似重复记录样本稀少问题,提出一种基于多目标蚁群优化的单类支持向量机相似重复记录分类检测方法。根据记录对中2条记录是否相似,将相似重复记录检测建模为二分类问题,用单类支持向量机进行分类,并且只用不相似重复记录样本对进行训练;选择合适的属性相似度函数计算记录对之间的相似特征向量,将其作为单类支持向量机分类器的输入进行二分类检测;建立以查准率、查全率、特征数量综合最优为目标的多目标特征选择模型,结合训练样本为单类样本的特点,将启发式因子定义为类内散度最小化约束,设计了求解模型的多目标蚁群算法。通过将单类支持向量机算法和支持向量域描述算法、传统二分类支持向量机算法进行对比,结果验证了单类支持向量机算法的有效性和优越性。     

支持向量机在模式分类中的应用

通过支持向量分类算法包括4类：线性分界面硬间隔、线性分界面软间隔、非线性分界面硬间隔和非线性分界面软间隔，区分线性和非线性支持向量机是否引入核函数和具有惩罚因子。以RBF为核函数的非线性支持向量机对2类2维样本进行仿真分析。结果表明，支持向量机分类能力受核函数参数影响较大，当选取适当参数时，其分类性能与最近邻法相当。     

基于经验模态分解的通信辐射源分形特征提取算法

针对当前通信辐射源个体识别方法精度不高,鲁棒性不强等问题,提出了基于经验模态分解(EMD)模型的通信辐射源特征提取算法。该算法通过提取包括本征模函数(IMF)时域和频域范围内的分形特征结合Hilbert边缘谱上的分形特征与谱对称系数组成特征向量,并使用支持向量机(SVM)得到分类结果。10部建伍电台的分类实验结果表明:该算法在不需要先验信息的前提下,可以得到较好的分类效果,并且具有一定的鲁棒性。     

复杂情况下基于信息融合提高面空导弹制导性能

文中针对在复杂情况下的面空导弹武器系统,运用统一建模语言分析了未来信息化作战复杂情况下的面空导弹制导性能,建立了赖以提高性能的信息融合制导过程模型、算法,运用了多传感器探测设备、网络支持等信息融合手段和神经网络模糊推理等智能控制技术,提高以制导精度为主的面空导弹武器系统制导性能,并具体就基于信息融合制导过程工作情况进行了仿真.     

关于用预测法量化导弹武器系统效能的研究

针对当前武器系统众多分析人员求解系统效能值时所感觉的难点,提出了求解系统效能值的关键乃在于能力向量的求解,并且推出了一套量化系统能力向量的完整的新的科学方法。论文采用这些新方法通过效能模型进而实际量度了国内外一些导弹武器系统型号的总体系统效能。分析得到的结果是令人满意的,从而最终解决了全面地量度导弹武器系统在给定条件下完成规定任务的系统效能的问题。     

基于粒子群算法优化最小二乘支持向量机的电路故障诊断方法

针对数／模混合电路故障的特点,采用将粒子群算法与最小二乘支持向量机相结合的故障诊断方法,在保证诊断过程准确率的基础上,实现多类故障的快速诊断。在诊断过程中,支持向量机的参数寻优过程存在随意性、盲目性和效率低等问题,采用改进的粒子群算法优化支持向量机的参数,建立基于支持向量机的故障分类模型。实验结果表明,与其他方法相比,该方法提高了故障诊断的精度,具有明显的实用价值。     

基于信号分解的防御弹制导律辨识方法

针对飞机对敌方防御弹制导律辨识的问题,提出一种对相对运动信息进行经验模态分解并采用支持向量机分类的辨识方法。建立了防御弹和飞机的相对运动模型,并根据典型作战场景构建了防御弹可能采取的制导律模型集。针对雷达测量的防御弹与飞机间的视线角速度及距离变化率信号,采用经验模态分解算法对其进行信号分解,提取并构建不同制导律的特征能量带。建立“一对一”多分类支持向量机模型对不同制导律的特征能量带样本进行分类,从而实现制导律的辨识。仿真结果表明,本研究提出的基于经验模态分解算法和支持向量机模型的制导律辨识方法能够以较高精度实现对样本集中制导律的辨识。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法，设计了相应的预处理算法，提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据，比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时，分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导，而且由于学习过程中常采取近似计算，致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量；而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选，最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中，性能评价及分类结果表明，集成SVM比单- SVM具有更好的分类性能，故障诊断准确率更高。     

基于SVM的移动机器人路标识别算法

提出一种基于支持向量机的移动机器人路标识别算法,其利用SVM分类器对大量的交通标志进行识别。该方法对于场景光线强度变化,图像存在形变以及路标存在阴影遮挡和距离较远等情况都具有学习能力与容错性。实验结果表明,基于SVM的移动机器人路标识别分类器在复杂的室外环境下是有效的、具有鲁棒性的。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

基于支持向量机的坦克驾驶模拟训练结果分析

利用坦克驾驶模拟器进行模拟训练是提高装备操作技能的重要方法。针对以往模拟训练忽视训练数据采集分析和提高训练质量的问题,提出采用支持向量机（SVM）对坦克驾驶模拟训练结果进行分析的方法。为了解决SVM参数选取难的问题,提出一种自适应粒子群优化(APSO)算法对SVM参数进行优化选择,设计动态权重参数并赋予相关惯性,实现粒子动态自适应。引入多位置查询机制和极值点信息以维持不同粒子平衡点的多样性,通过迭代选择与优化目标函数实现对参数的自动寻优。基于APSO算法的支持向量机(SVM-APSO)应用到某型坦克驾驶模拟器的训练结果分析中,结果表明SVM-APSO能克服多维影响因素对训练成绩分类带来的不利影响,实验结果在精度和时间上都有明显优势,验证了SVM-APSO在坦克驾驶模拟训练结果分析中应用的可行性与有效性。     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

基于RS理论的支持向量机分类模型

基于粗糙集(RS)的支持向量机(SVM)分类模型用RS预处理原始样本数据,通过属性和对象的约简消除输入样本数据冗余条件和样本,简化样本数据空间维数.预处理后数据作为样本数据训练SVM,其模型采用模糊离散.用C 编程实现仿真,选用RBF核函数训练SVM,仿真证明该分类模型提高训练速度和分类精度.     

一种基于SVM 的航舵故障诊断方法

针对舵机故障样本数量不足、诊断知识不完备的实际情况,提出一种基于支持向量机(support vectormachine,SVM)的故障诊断方法。根据航舵故障输入输出映射非线性的特点,分析SVM的分类机理,对基于SVM的故障诊断步骤进行介绍,解决了小样本模式的分类问题,并通过仿真对该方法的有效性进行验证。仿真结果表明:该方法对舵机故障分类准确性可达92%。