应用虚拟样本对SAR图像目标识别的研究

鉴于SAR图像获取的困难,无法保证机器学习算法时需要的大数据量训练样本,因此影响了识别结果。首次提出了应用虚拟样本来扩大SAR图像目标识别训练集,提高SAR图像目标识别率的方法。通过使用重采样算法,奇异值重构与轮廓波重构等方法构建虚拟样本,与原有样本组成训练集,并通过SVM支持向量机进行训练识别在MSTAR公共数据集上的识别实验结果表明,对于不同数量的实际训练样本,通过添加本文方法构建的虚拟样本扩大训练集后,SAR图像目标识别率均会得到提高,尤其在小样本的情况下,识别率提高非常显著。该文证实了虚拟样本应用于SAR图像目标识别的有效性。在样本数目有限时,添加虚拟样本对SAR图像目标识别性能具有明显的改善作用。     

基于SVM的铆接件识别及特征参数研究分析

针对武器装备中铆接结构损伤检测的问题,提出了支持向量机(SVM)机器视觉识别方法。首先,采集铆钉图像样本并对其进行图像预处理,提取了铆钉头四个相关特征参数。其次,在小样本条件下,采用SVM算法对铆钉的样本特征进行训练并建立视觉识别模型,分析了特征参数与最终模型之间的关系。最后,将SVM视觉识别方法与Hough变换和独立判断方法进行对比分析。对比结果表明:SVM视觉识别方法较后二者的识别速度更快,识别准确率更高,证明了该方法的可行性和有效性。     

基于小波核扩散与双阶段 SVM 的轴承复合故障分类方法

轴承复合故障分类中存在故障特征强线性不可分及故障数据标签不足问题,严重影响分类精度。 为此,提出基于双阶 段支持向量机(SVM)与小波核扩散的轴承复合故障分类方法。 针对故障特征强线性不可分,使用小波核函数对其进行高维空 间映射,并利用极大重叠离散小波包变换获取信号在不同频带上的能量分布作为故障特征;针对故障数据标签不足,提出增量 式核空间标签扩散的双阶段 SVM 分类模型,在小波核空间核差异距离基础上,利用增量式核空间标签扩散对训练样本的近邻 样本、粗分阶段边界样本进行扩充,并在细分阶段依据扩充后的样本完成模型训练。 3 组轴承复合故障数据验证了所提方法的 有效性,实验研究表明,在单类训练样本为 5 的条件下,所提方法比 SVM 分类准确率平均提升 7. 5% ,并优于其他流行算法。     

基于SVM和小波的木材纹理分类算法

选用二进正交小波基对木材纹理图像进行多层分解,利用所得到的纹理特征向量分析水平、垂直和对角方向上木材纹理频率分布特点.基于木材纹理的这种频率分布特点,选取能够表达木材纹理特征的一组向量作为SVM分类的特征向量,利用多类SVM分类器对木材纹理样本进行训练和识别分类.实验表明,文中基于SVM和小波的木材纹理分类方法优于传统的分类方法.     

基于高斯尺度空间和SVM的桥梁裂缝检测研究

针对现有的桥梁裂缝检测及分类算法在光照不均匀条件下,存在检测精度不高、分类效果不理想的问题,提出了一种基于高斯尺度空间与支持向量机(sopport vector machine,SVM)多分类器相结合的桥梁裂缝检测及分类算法。该文对待处理裂缝图像进行预处理,消除噪声干扰;通过裂缝图像与二维高斯函数进行卷积运算来创建高斯尺度空间,在高斯尺度空间下估计背景,利用背景差法消除光照干扰,进而提取出具有区分度的裂缝图像特征向量;利用SVM多分类器进行桥梁裂缝分类。实验结果表明所提出的算法具有较高的分类精度。     

基于支持向量机的X射线焊缝缺陷检测

为提高对焊缝缺陷的检测精度,提出采用支持向量机(Support Vector Machine,SVM)分类的方法对X射线焊缝图像进行分割.选择训练样本图像的灰度、形态学梯度作为训练向量的特征分量对SVM进行训练,得到SVM分割模型后,将测试样本输入分割模型进行分割处理.以气孔缺陷为例,证明了该方法能实现焊缝气孔缺陷的准确分割,与其他分割方法相比,可提高缺陷检测的精度.     

一种基于单通道 sEMG 分解与 LSTM 神经网络 相结合的手势识别方法

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。     

基于改进鲁棒多分类SVM的烟叶颜色分级分类方法研究

提出了一种基于改进鲁棒多分类SVM的烟叶颜色等级分类方法,将烟叶图像颜色转为HSV空间。该方法提取烟叶上、中、下三个区域一、二、三阶颜色矩作为分类特征,改进SVM分类器对各色组离群训练样本的约束,减少依赖,提高分类模型对样本分类的精确度。在改善SVM二分类器的基础上采用一对多的多分类策略,实现烟叶颜色6个等级的识别判断。试验结果表明,改进鲁棒性SVM方法下所训练模型对未来烟叶颜色等级的识别率比HL-SVM方法的识别率高6.29%。     

基于MEAN-SHIFT和SVM的血细胞图像分割

提出一种新的血细胞图像分割算法,结合无监督和有监督模式识别技术,利用颜色快速提取感兴趣的有核细胞.首先通过mean-shift过程寻找RGB颜色空间中的细胞核、红细胞和背景聚类峰(局部密度最大区域),其中的细胞核图像区域经过适当形态学膨胀后可以得到部分胞浆像素;然后细胞核聚类峰和部分胞浆颜色组成正特征子集,而红细胞和背景聚类峰附近颜色组成负特征子集,训练一个两分类SVM,得到的分类模型随后对图像的颜色空间向量分类,实现细胞区域整体提取.通过颜色量化手段,能够显著减少训练集的颜色向量数量,实现SVM实时训练和分类.借助于mean-shift鲁棒的特征空间分析性能和SVM出色的小样本学习推广能力,该方法对图像颜色变化、染色条件差异等鲁棒性强,无过度分割现象,分割速度和效果均优于流域变换方法.骨髓和外周血涂片的分割试验证明了方法的有效性,已应用于实际图像处理系统.     

海量信息下的文本分类研究与优化

针对传统的文本分类方法费时且占用大量资源、效率低等问题,提出了结合大数据处理平台Hadoop和中文文本分类,实现支持向量机(SVM)算法的并行化的模型。通过试验数据分析表明,对比采用传统的单机SVM对样本数据进行训练这个方式,基于Hadoop平台而实现的SVM并行化算法能够改善在对大量样本训练时训练时间长的缺陷,并且分类的准确率也有所提高,尤其是对大量文本进行分类时,Hadoop平台下的并行SVM算法较单机SVM算法具有更大的优势。     

结合SVM后验概率的散料料位识别试验研究

提出了一种散料装车料位的图像检测方法,该方法将待处理料堆图像分为若干不重叠的子块,对各子块进行了同态滤波、二值化及二值共生矩阵纹理特征提取,并根据纹理特征对各子块进行了分类识别。在识别过程中,提出了一种基于SVM及其后验概率的料堆识别方法,建立了位于交界位置子块的SVM后验概率与其中料堆目标所占比例的关系模型,并将仅采用SVM对子块识别后的料位拟合结果与其后验概率输出相结合,在这些交界位置子块内进行了进一步的图像分割。试验结果表明,所提出的方法与仅采用SVM子块识别的料堆轮廓及料位拟合误差相比,分别减小42%和56%,平均误差分别为0.4517pixel和0.2586pixel,在MATLAB下每帧处理需0.2s。     

电机故障诊断支持向量机

基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(Statistical learnmgtheory SLT)是研究小样本情况下机器学习规律的新理论。支持向量机(Support vector machine SVM)是在这一理论体系基础上发展起来的一种通用学习方法。SLT和SVM正成为继神经网络研究之后新的研究热点。通过对鼠笼式异步电动机转子断条故障进行实验模拟，对实验获取的采样电流信号经FFT分析，构造以低频到高频的频谱特性为分量的学习样本向量，通过支持向量机SVM对故障电流样本的训练，使SVM具有分类功能。最后，采用SVM对电动机各种转子断条故障进行诊断分类，取得较满意的结果，说明支持向量机SVM是进行故障诊断的一种新方法。     

基于模拟退火-粒子群算法优化支持向量机参数的连铸漏钢预报

针对连铸漏钢预报神经网络模型在小样本训练数据情况下难以获得较高预报准确率的问题,提出了一种基于模拟退火-粒子群（SA-PSO）算法优化支持向量机（SVM）参数的连铸漏钢预报算法。将粒子群优化算法引入支持向量机的训练过程中,利用其调整参数少、寻优速度快的优点,有效地提高了漏钢预报模型的寻优速度;利用模拟退火算法对粒子群算法迭代更新后粒子的新位置加以评价,来决定新位置是否被接受,避免了粒子群算法在迭代寻优过程中陷入局部极值的问题。结合某钢厂连铸现场历史数据对提出的连铸漏钢预报算法进行了测试,测试结果表明,所提算法的连铸漏钢预报准确率可达98.8%。     

基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别

针对货车运行故障动态图像中车辆挡键、集尘器和安全链锁紧螺栓的故障检测,提出一种基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析定义编码后的特征对故障识别准确率的贡献值,并据此对编码特征进行降维;然后利用编码降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对挡键、集尘器和安全链锁紧螺栓的故障进行识别。实验结果表明,本文提出的算法能较好的应用于3种不同类型的故障识别,识别率分别为97.25%、99.00%和97.50%,同时对噪声和光照变化具有一定的鲁棒性,能满足车辆故障的实际检测需求。     

A novel optimal support vector machine ensemble model for NOX emissions prediction of a diesel engine

A novel ensemble method based on principal component analysis (PCA), genetic algorithm (GA) and support vector machine (SVM) implemented in MATLAB® is presented for establishing the NO_X emissions prediction model for a diesel engine for both steady and transient operating states. The different stages of data preprocessing, modeling, optimization and prediction were discussed in detail. Normalization and PCA were used to reduce differences and redundancy of the datasets respectively. Subsequently, the SVM model was trained with 1/3 of the equi-spaced data samples (a simple DoE) selected after preprocessing. A grid search and GA were then applied as the combination strategy with the fitness function being the cross-validated root mean square error (RMSE) for optimizing the model parameters to improve the prediction accuracy. The optimal model was finally tested using the rest 2/3 data samples. Compared with other three methods, the proposed model exhibited superior accuracy both on training and testing datasets.     

基于水平集和支持向量机的图像声呐目标识别

为了能实现水下遇险目标的精确定位,首先要对声呐所获取的图像进行目标识别。利用水平集法获得水下声呐图像中目标轮廓后,提取目标轮廓的7个不变矩作为特征矢量,并将获取的不变矩特征输入到已经训练好的支持向量机中进行识别,从而得到识别结果。所使用的识别方法综合了基于水平集提取轮廓的长处,不变矩的位移、尺度、旋转不变性的特点和支持向量机在小样本、非线性模式识别中的独特优势。实验结果表明:该方法对高分辨率图像声呐具有较高的识别率和较低的误判率,对原始声呐图像的目标识别率高达99%,对加入方差为0.09的高斯噪声的声呐图像的目标识别率可以达到97%。     

基于COM的VC/Matlab混合编程及其在SAR图像分类中的应用

为实现合成孔径雷达(SAr)图像分类算法的测试与评估,将VC/Matlab混合编程技术应用到SAR图像分类平台开发中,分析与比较了4种VC/Matlab混合编程方法及各自优缺点,并着重研究了基于组件对象模型(COM)的VC/Matlab混合编程方法.使用Matlab COM编译器创建了SAR图像分类算法组件,在VC中调...     

一种基于深度学习图像超分的环形靶标稳定检测方法

为提高远距离、大倾角条件下环形靶标的识别率与定位精度,提出了一种基于深度学习图像超分的环形靶标稳定检测方法。通过真实图像与合成图像的混合数据集来构建多角度、多距离的图像空间集合,采用像素损失与感知损失来改进图像超分辨率模型的损失函数,从而实现图像的高分辨率重建,丰富靶标轮廓的图像细节,利用已训练好的图像超分模型重建图像,最后使用传统的检测算法识别与定位环形靶标。实验结果表明,环形靶标识别率可提高40%,靶标定位精度可提高8.47%。     

基于Stixel world及特征融合的双目立体视觉行人检测

针对单目视觉行人检测无法获得深度信息从而导致冗余信息较多、检测效率和准确度存在局限性的问题,首先,在图像的预处理阶段提出了一种利用双目立体视觉产生的视差信息优化分析来简化复杂场景的动态规划棒状像素场景(stixel-world)表达方式;然后,在行人目标检测阶段,对传统HOG特征中block尺度进行分析、降维,采用Fisher准则筛选得到了适用于道路环境下的多尺度HOG(multi-HOG)特征,将Multi-HOG特征与LUV颜色通道特征进行融合,最后采用交叉核支持向量机(hikSVM)分类器对行人目标分类。实验结果表明,采用改进过后的Stixel-world算法用于图像预处理极大地减少了计算时间。缩小了行人检测的候选区域,基于特征融合和hik-SVM的目标检测算法在保证检测准确度的前提下,具有较好的实时性和鲁棒性。     

基于像素分类的自适应SAR图像融合算法

提高纹理清晰度、保护边缘信息是合成孔径雷达（SAR）图像融合的重要目标。针对该问题,提出了一种基于像素分类的自适应SAR图像融合算法。首先使用canny算子提取图像的边缘并分类,然后利用混合高斯模型和隐马尔可夫树模型对小波系数进行建模;在此基础上使用EM算法求得模型参数,并进一步得到隐状态的概率,也就确定了小波系数的混合高斯分布;接着对两个待融合小波系数不同的类型组合采用不同的融合策略,并以隐状态概率加权;最后通过小波反变换、边缘分类增强获得融合以后的图像。实验结果表明,和传统的融合算法相比,该算法取得了更好的融合效果。