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SVM的玻璃瓶缺陷分类算法研究

针对玻璃瓶质量检测系统缺陷分类难的问题,选取气泡、结石、裂纹、污点、皱纹这五种常见的缺陷作为分类目标,从研究每种缺陷的图像特征入手,提出了七个统计特征作为分类器的输入特征向量,根据该分类问题的特点构建SVM分类器,采用现场采集的缺陷图像样本对SVM分类器进行训练和测试。实验结果表明:设计的SVM分类器识别率较高,适合玻璃瓶缺陷图像分类。     

基于多光谱成像技术的宣纸形态学特征分析

国画艺术品的科技取证与鉴别受到各领域的关注。宣纸作为国画的重要载体,其特征提取和分析方法有较高的研究意义。本文使用多光谱成像技术对宣纸进行形态学特征分析。实验采用多光谱成像系统获取宣纸在不同波长通道下的光谱图片,继而采用纹理参数统计对光谱图像进行测量,获得宣纸特征的敏感波段;采用数学形态学和灰度统计原理建立宣纸形态学特征分析模型,得到一维特征向量。为了评价特征向量的准确度,实验将特征向量输入到支持向量机（SVM）分类器进行检测分类。结果表明,宣纸的差异化特征在550nrn波段下最为明显;由模型输出的特征向量分类正确率为96％。本文提出的宣纸分析模型能够将大部分种类的宣纸特征准确提取,并具有一定的高效性。     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。     

基于支持向量机决策树的航空发动机轴心轨迹识别方法

针对航空发动机转子轴心轨迹难以准确自动识别的问题,提出了基于二维形状不变矩和支持向量机（SVM）决策树的识别方法。对信号滤波降噪和倍频提纯,形成比较清晰的轴心轨迹;利用二维形状不变矩提取轴心轨迹的图形特征,得到不变矩特征向量,进而构造特征故障的训练和测试样本;采用SVM进行训练和学习,构造SVM决策树,识别故障类别,分类正确率达93.3%以上。应用实测弹支振动应力信号对该方法的准确性进行了验证,结果表明,该方法有效地解决了航空发动机转子轴心轨迹自动识别准确率低和小样本问题。     

基于SVM的图像识别在零件分拣系统中的应用

针对外观形状、质心分布较均匀的零件在自动化生产中难以实现有方位要求的自动送料问题,对零件的图像采集、图像处理、图像特征提取和分类识别等作了研究和分析。提出了以图像识别为核心的零件分拣系统,在振动盘出料口安装摄像头进行图像采集,对采集的图片进行小波变换,滤去干扰噪声和降维,用主成分分析法(PCA)对图片进一步降维和特征提取,提取得到的特征向量作为支持向量机(SVM)的输入向量,通过SVM对输入向量进行了样本识别,从而确定零件的位置状态,最后通过驱动装置将不符送料要求状态的零件推出送料轨道,从而为下道工序实现自动送料。实验结果表明:训练样本达到20以上时,该方案两种零件的识别正确率都达到了100%,单个零件的识别时间在1 s以内,能满足实际生产要求。     

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Tchebichef不变矩与SVM的交通标志分类算法研究

为了更好地对交通标志进行分类,提出了一种两步分类算法。首先根据交通标志的颜色与形状特征设计多层决策树进行粗分类,然后采用径向Tchebichef不变矩提取交通标志的特征,并基于SVM设计分类器进行精分类。对从3000幅自然场景图像中检测出的交通标志进行分类实验,结果表明该分类系统能取得较高的分类精度,这为交通标志识别系统的实现奠定了基础。     

基于图像处理的手写体数字识别

文章提出一种基于图像处理、提取结构特征进行识别的方法,通过对手写体数字图片的数字图像处理,提取手写体数字的结构特征。由这些特征片段得到特征向量,作为对字符的结构描述。并采用了多次分类识别的方法,最后用MATLAB6.51对该算法学习阶段和识别阶段进行了仿真,获得了较好的辨识效果。     

基于特征融合和GWO-SVM的铸铁金相组织分类技术研究

针对人工金相组织定量分析效率低、主观影响较大的问题，提出基于灰度共生矩阵(GLCM)和局部二值模式(LBP)融合的铸铁金相组织分类方法。分别提取铸铁金相图片GLCM和LBP特征，并使用主成分分析(PCA)将LBP特征降维，组成特征向量；通过不同核函数的对比，选择高斯核函数(RBF)作为支持向量机(SVM)的核函数；为了提高模型的效率，采用灰狼优化算法(GWO)对核函数进行优化。结果表明，GLCM和LBP融合后的分类效果要优于单一的GLCM和LBP；基于GWO优化后的SVM分类效果也要优于RF和ELM，分类准确率可以达到98.67%。     

基于SVM的井下水仓淤泥识别系统的研究

针对煤矿井下水仓经常出现的淤泥中含水量过多而导致的涌仓问题,该文设计了一种基于SVM的井下水仓淤泥表面含水量识别系统。以井下水仓的淤泥与水面对光线反射的不同情况作为识别特征,通过对数及对比度拉伸变换法提高图片局部亮度;采用自适应阈值分割法将灰度图进行二值化处理。在SVM模型中进行前景、背景分割时,将二值化图片作为输入而不是像传统SVM分类直接输入原图,有利于提高识别精度。分别计算将彩色图、二值图作为输入图像的相似度、正确率、错分率和漏分率,得出结果:采用二值化图片作为输入图片的各项分割属性均优于彩色图作为输入图像,为井下水仓涌仓预警系统的搭建提供了基础。     

基于机器视觉的汽车换挡面板自动分类方法

针对报废汽车企业对不同型号汽车换挡面板自动分类的需求,提出了一种基于机器视觉的面板自动分类方法。该方法首先使用Blob分析对图像进行预处理,分割出图像中的换挡面板目标对象,接着提取被分割图像的11个形状特征作为特征向量,利用特征向量训练多层感知器(Multi-Layer Perceptron,MLP),最后使用完成训练的MLP神经网络模型对不同类型的汽车换挡面板进行分类预测。实验结果表明,该方法的分类准确率达到99%,每幅图像的分类时间小于100 ms,验证了该方法的有效性与高效性,能够作为报废汽车换挡面板自动分类的一种手段。     

基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。     

基于粒子群优化决策树的齿轮箱故障诊断

针对现有支持向量机(support vector machines,简称SVM)在构造多类分类器的过程中存在计算费时、搜索率不高的问题,提出了一种新的SVM决策树设计算法.引入具有优良的全局搜索性能的粒子群算法,将其应用于优化决策树,构造出一种自适应性强、识别率高的多元分类器,实现SVM的有效多值分类.将其结果应用于齿轮箱故障诊断中,试验结果证明改进后的SVM构造方法的有效性和准确性.     

融合多尺度图像的密集神经网络肺部肿瘤识别算法

针对CT模态医学图像采用卷积神经网络训练时的特征提取不充分、特征维度较高等问题,本文提出了基于融合多尺度图像的非负稀疏协同表示分类的密集神经网络肺部肿瘤(Multi Scale DenseNet-NSCR)的识别方法。第一,使用迁移学习将预训练密集神经网络模型初始化参数;第二,将肺部图像预处理,提取多尺度病灶ROI区域;第三,采用多尺度CT图像训练密集神经网络,提取全连接层的特征向量;第四,针对融合特征维度较高问题,采用非负稀疏协同表示分类器(NSCR)对特征向量进行表示,求解系数矩阵;第五,利用残差相似度进行分类。最后,采用AlexNet,DenseNetNet-201模型及三种分类算法(SVM、SRC、NSCR)两两组合模型进行对比试验,实验结果表明,Multiscale-DenseNet-NSCR分类效果优于其它模型,且特异性和灵敏度等各项评价指标也较高,该方法具有较好的鲁棒性和泛化能力。     

改进ALPSO-SVM的精密加工结构件图像分类算法

针对精密加工结构件在加工过程中人工分拣效率低的问题，提出一种改进PSO对于SVM参数优化的图像分类算法（Adaptive Levy Flight Particle Swarm Optimization Algorithm-Support Vector Machine,ALPSO-SVM）。首先，建立一个SVM分类器用来完成图像分类，然后使用改进的PSO算法（ALPSO）来帮助SVM找到最优参数，以提高分类效果；通过引入自适应步长的Levy飞行算法来调整PSO算法中粒子的位置更新公式，提高PSO的寻优效率，以得到SVM的最优参数；最后，SVM以ALPSO输出的结果作为最优参数进行分类测试。实验结果表明，ALPSO有效地提高了SVM的分类性能，分类正确率与鲁棒性都得到提高，平均正确率达到90%以上。     

基于特征向量提取和SVM分类器的课堂人脸识别研究

针对课堂考勤时人脸角度、表情变化和人脸部分遮挡导致人脸识别算法识别不准的问题,本文提出一种基于特征向量提取和SVM(SupportVectorMachine)分类器的人脸识别方法。其中,深度神经网络模型经过三元组损失函数(tripletloss)优化可以提取人脸图像在欧氏空间的特征向量,将特征向量输入SVM分类器进行训练,利用训练好的SVM分类器可进行人脸识别。在实际课堂考勤实验中,本文提出的人脸识别方法在人脸角度、表情变化和人脸部分遮挡的情况下人脸识别准确率能达到92.68%。     

基于NGA优化SVM的滚动轴承故障诊断EI北大核心CSCD

支持向量机(SVM)的分类性能受样本的特征以及SVM本身参数的选择影响较大。针对这种情况,基于Shannon能量熵、SVM和小生境遗传算法(NGA),提出了一种基于NGA优化SVM的滚动轴承故障诊断方法。该方法采用容错性强的Shannon能量熵作为特征参数,对信号进行EMD分解提取出前3个IMF分量作为特征信号,分别计算其Shannon能量熵作为特征向量得到样本集,作为多类别SVM的输入。在用样本训练SVM时,构造一种新的核函数,并采用NGA对SVM的核函数参数进行全局优化,使SVM获得最佳的分类性能,提高其分类识别的正确率。最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别,并与其他几种方法进行了对比,结果表明该方法具有更好的可靠性和分类准确率。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。