基于多核优选的装备费用支持向量机预测法

针对支持向量机的核函数选择存在盲目性问题,提出多核优选的装备费用支持向量机预测方法。在不同核函数条件下,以提高推广能力拟合精度为目标,结合变步长多层次搜索算法选择最佳参数,确定拟合效果,通过判断选择最佳核函数。实例计算表明,多核优选的支持向量机预测方法精度高,通用性好。     

基于支持向量机的磨削参数自适应系统

基于支持向量机的磨削参数决策系统通过多传感器信息融合获得磨削状态信息,用支持向量机分类器对其分类.经建立样本数据、选取核函数及其参数并求解拉格朗日系数,找出支持向量.再求解分类超平面系数,建立训练数据最优决策超平面,并根据样本数据学习.系统按分类学习结果自动选择工艺参数以控制磨削加工质量.     

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。     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines,SVM）故障分类器,在不易取得训练样本的情况下,实现较高准确率的故障诊断,并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法,以及改进型一对多算法）,通过将其应用到实际电路进行故障诊断当中对其性能进行比较,得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法,核函数的选择对故障诊断的性能也存在着一定的影响。     

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.     

支持向量机遥感图像几何校正中的不同核函数算法比较

支持向量机遥感图像近似几何校正算法可有效提高遥感图像校正的精度,是目前比较有效的遥感图像近似几何校正方法。对不同核函数支持向量机遥感图像近似几何校正算法的实验结果进行比较分析表明:基于RBF核函数的支持向量机遥感图像几何校正算法在支持向量机遥感图像几何校正算法中具有明显的优越性。     

基于支持向量机的地磁辅助导航匹配区域选取准则

为综合考虑地磁标准差、地磁费歇信息量、地磁编码失真量等特征参数对选取结果的影响,研究基于支持向量机的地磁匹配区域选取方法。先计算地磁特征参数,准确有效地表示地磁信息;再选择合适的训练样本集,并通过选择合适的核函数及核函数参数,实现了匹配区域及非匹配区域的正确分类;最后,将测试样本集作为检验核数据对分类器效果进行检验,并根据总体精度和第二类错误率的大小选择合适的核函数参数,通过测量的地磁数据进一步进行了验证。结果表明,该方法分类简单,适应性强,能够进行匹配区域的正确选择。     

飞机完好率预测仿真研究

利用飞机完好率时间序列特性,建立了NAR神经网络模型和基于不同核函数的3种支持向量机模型对平时状态下的飞机完好率变化趋势进行建模、训练和预测;运用Matlab仿真软件进行试验验证,结果表明:支持向量机模型具有较好的拟合效果,预测精度优于NAR神经网络模型,基于RBF核函数的支持向量机预测准确率相对较高.两种预测模型相比于部队现行的预测方法均具有更高的准确度和可靠度.     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

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。     

lp范数约束的模拟电路3层多核故障诊断模型

为提升模拟电路故障隔离精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种改进的l_p范数约束多核超限学习机诊断模型。该模型通过将带权分类误差融入超限学习机优化目标函数中,基于自适应Boosting策略构建了一种3层多核学习框架。在新框架下通过自适应调整训练样本的权重分布,使得每层框架能够聚焦于不同故障样本,进而提升诊断模型的辨识力。通过对2个电路实例的诊断,结果表明：所提模型在不同范数约束下具有近似一致的诊断性能;当故障属性单一时,在平衡漏警、虚警的同时,能够显著提升诊断正确率;当多种属性的故障并存时,能够将难以辨识的故障更加准确地隔离到少数模糊组中。     

基于复合基神经网络的声目标分类识别

根据径向基函数(RBF)神经网络和前馈(BP)神经网络的特点，将BRF网络和BP网络结合起来构成复合基网络，并使用此网络进行声信号的分类识别。试验表明，该网络具有较好的综合分类识别性能，其分类能力优于RBF网络和BP网络。     

基于粒子群优化极限学习机的雷达识别方法

针对相控阵雷达识别的问题,提出一种基于粒子群优化极限学习机(PSO-KELM)的识别方法.在核函数极限学习机(kernel extreme learning machine,KELM)的基础上,引入粒子群优化算法(particle swarm optimization,PSO),求得核函数参数最优解,提高相控阵雷达识别准确率.通过构建雷达数据库,使用粒子群优化极限学习机的方法对不同噪声情况下的雷达数据进行识别,并与核函数极限学习机、核函数支持向量机(kernel support vector machine,KSVM)和半监督式迁移学习(semi-supervised and transfer learning,SSTL)的方法进行对比.仿真结果表明:在不同雷达种类和不同噪声情况下,该方法识别准确率均高于其他方法.     

多分量信号时频分析交叉项抑制研究

多分量信号的时频分布会产生交又项，采用固定核函数的时频分布，其适用的信号形式有很大的局限性。而基于信号的自适应径向高斯核函数时频分布，由于它的核函数随信号而自适应的改变，因此对交叉项有很好的抑制效果。文中以模糊函数理论为基础，分析了时频分析产生交叉项的原因，给出了以径向高斯函数为核函数的自适应时频分析优化算法。仿真结果表明，对于多分量信号，采用径向高斯核函数的自适应时频分析方法不仅对交叉项有很好的抑制作用，而且对信号的自分量具有较好的聚集作用。     

无人车目标识别主干网络技术特点对比分析

目标识别是无人车自动驾驶视觉感知模块的核心技术之一。当前,目标识别主要依靠主干网络提取特征, 进而对目标进行分类与回归。通常情况下,无人车嵌入式计算平台的计算与存储能力有限,为了降低主干网络的算 力与存储量,提升无人车的计算速度与效率,对目标分类任务的主干网络进行综合比较分析。围绕卷积核、感受野、 池化层、全连接层、激活函数等,以cifar10 和cifar100 为实验数据,从理论分析与数据实践层面,对主干网络算子 的选择与网络搭建进行分析对比,总结、归纳特征提取主干网络搭建的主要思路与做法。结果表明,该分析结论对 目标分类主干网络在嵌入式无人车系统中的应用具有一定的理论指导与参考价值。     

基于估计点的滑动窗宽核密度估计算法

针对核密度估计中窗宽确定困难的问题,提出了基于估计点的滑动变窗宽核密度估计算法。通过采用固定窗宽的密度估计函数代替假设的正态分布密度函数的方法,对估计域中的每一估计点求取其最优窗宽值,实现了窗宽根据样本的分布情况,在不同的估计点自动调整窗宽的取值。文中给出了算法的具体推导以及实现步骤,给出了对比试验。结果表明,新算法在估计结果的精度、平滑度等方面比现有固定窗宽的算法有明显提高。     

基于多特征核协同表示的SAR 目标识别

为利用合成孔径雷达(synthetic aperture radar,SAR)目标不同特征数据间的相关性与互补性,提出一种基 于多特征的Tikhonov 正则化核函数协同表示(multi-feature kernel collaborative representation- based classification with tikhonov regularization,MFKCRT)算法。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)计划公开发布的SAR 图像数据库进行实验,实现核函数变换空间上的多特征融合协同表示 识别。实验结果表明：该算法相较于基本的协同表示,具有更优的可靠性与鲁棒性。     

基于联合投影字典学习的辐射源调制识别

针对字典学习用于辐射源识别时原子表征能力有限和复杂环境适应性不足问题,提出一种基于联合投影字典学习的辐射源识别方法。利用时频变换提取辐射源信号初始特征,并通过降维、降噪实现特征预处理;采用核空间投影和降维投影学习方式优化字典原子结构,基于数据集训练获取联合投影字典;通过分类测试完成了有效性验证。仿真结果表明：该方法所提取字典原子具备较强表征能力,能够适应参数多变的复杂环境;较常规有监督字典学习方式更易区分多类型、高相似度信号,-6 dB时单载频信号、线性调频信号、非线性调频信号、二相编码信号、四相编码信号、Frank信号、二相频率编码信号、四相频率编码信号、非线性调频-二相编码复合调制信号、二相频率编码-二相编码复合调制信号10类辐射源信号的整体平均识别率为94.4%.