基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测

针对Cr12MoV刀具磨损量预测问题,提出了一种新的粗糙集和最小二乘支持向量机(LSSVM)相结合的预测方法。将声发射信号提取的能量值和切削要素作为预测模型的输入参数,为了降低运算的复杂性,提出采用粗糙集理论对多维输入参数进行降维处理的方法;为提高预测准确性和精度,利用蚁群算法对LSSVM的参数进行优化,建立基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测模型。仿真结果表明,所建立的Cr12Mo V刀具磨损量预测模型合理有效,具有较强的推广能力和较高的预测精度。     

基于二阶振荡微粒群最小二乘支持向量机的物流需求预测

为了提高物流需求的预测精度,在分析物流需求影响因素基础上,建立了物流需求的二阶振荡微粒群最小二乘支持向量机预测模型。利用最小二乘支持向量机(LSSVM)描述物流需求与其影响因素间的复杂非线性关系,并通过二阶振荡微粒群(TOOPSO)算法优化选择LSSVM参数。实例分析表明,模型具有较高的预测精度,TOOPSO算法搜索LSSVM最优参数时间明显少于传统交叉验证法,是一种有效的物流需求预测方法。     

基于最小二乘支持向量机的煤矿瓦斯预测

瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题.提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法.实验结果表明,该模型预测精度更高,泛化能力更强.     

基于最小二乘支持向量机的线性特征地物亚像元定位(英文)

BP神经网络已被证明能有效实现遥感图像的亚像元定位,但其训练时间较长,容易陷入局部最优且依赖于大量的训练样本。而在实际应用中,训练样本即先验信息较难获取。然而,建筑物及道路等地物具有规则的线性空间分布。针对这些线性特征地物,研究了一种训练样本的几何合成方法,消除对先验信息的依赖,并提出利用最小二乘支持向量机实现亚像元定位。实验表明,这种结合合成训练样本与最小二乘支持向量机的亚像元定位方法是合理可行的,且与BP神经网络实现方法相比,训练过程明显加快,定位精度更高。     

图像质量评价的建模与仿真研究

研究图像质量准确评价问题,图像采集、压缩传输中会出现畸变,使图像模糊,传统评价方法难以从对这些特征进行正确区分,导致图像质量评价准确率低。为提高图像质量评价准确率,提出一种采用最小二乘支持向量机(LSSVM)的图像质量评价方法。首先采用PSNR和SSIM分别对图像质量进行评价,得到的评价值作为描述图像质量的参数,然后输入到LSS-VM进行学习,建立新的图像质量分类器,采用建立的分类器对图像质量进行仿真评价。仿真结果表明,相对于单一的图像质量评价方法,提高了图像质量评价的准确率,评价结果与视觉感知评估值更加一致。     

基于光圈模式识别的直拉晶体生长温度测量技术研究

针对直拉硅晶体生长引晶流程中生长界面温度无法自动测量和校准的问题,本文提出一种基于光圈图像特征与最小二乘支持向量机相结合的温度模式分类检测方法.以数字相机获取的籽晶熔接处的光圈图像作为输入数据,利用图像处理算法提取光圈特征,并以人工校准产生的分类数据和持续生长的后验数据为训练样本,对最小二乘支持向量机分类模型进行训练.实际生长测试证明,可通过多个分类器的组合使用,将生长界面温度在红外测温仪的基础上校准到满足自动引晶所需要的温度.     

基于云模型的电力系统负荷组合预测

电力系统负荷预测的精确度决定着电网安全稳定、高效的运行.最小二乘支持向量机(LSSVM)被广泛应用电力系统负荷预测上,然而该方法在处理不确定性问题上有很多不足之处.为了更精确的选择核函数的参数,处理不确定性因素,提高短期负荷预测的精度,提出了一种将云模型、粒子群优化(PSO)和LSSVM相结合的组合模型.首先通过对各影响因子的不确定性分析,按不确定性高低将各影响因子分别应用Cloud-LSSVM和PSO-LSSVM进行预测,然后通过组合模型的加权计算的得到最终预测值.最后,通过仿真对比证明该模型能更好的处理不确定性,从而提高电力系统短期负荷预测精度.     

钎焊环检测中的图像拼接方法研究

钎焊环检测系统中,采集的图像序列可能具有不完整环或重叠环。通过调整传送带速度和设置固定相机的曝光时间,确定了2幅图像的重叠区域;将图像去噪、灰度化和二值化,得到了具有清晰轮廓的图像;然后结合LSSVM和CA对图像边缘进行了检测,利用互信息法实现了图像配准;最后采用渐入渐出法进行了图像融合,得到了最终的拼接图像。实验表明,这种方法可以快速准确地实现钎焊环图像的拼接。     

基于LSSVM的磁瓦表面瑕疵偏向性分类

针对磁瓦表面缺陷检测方法分类准确率低的问题,提出一种基于LSSVM技术的瑕疵偏向性分类方法。构造5个尺度8个方向Gabor滤波器组,提取经过Gabor变换后生成的40副子图的均值与方差为磁瓦图像特征。采用耦合模拟退火算法初步寻优,在所得初步参数的邻域使用网格算法进行精细搜索。为实现对缺陷磁瓦的偏向性预测分类,改进了虚拟少数类过采样算法。去除原始训练样本中的噪声样本数据,再在瑕疵边界样本与合格样本之间过采样。实验结果表明,最小二乘支持向量机分类器模型训练时参数寻优时间明显缩短,整体分类正确率达到95.56%,偏向性分类正确率达到99.09%,实现对缺陷磁瓦的偏向性分类。     

基于PSO和LSSVM回归的摄像机标定

针对摄像机非线性显式标定时很难精确地建立其复杂的数学模型,本文提出了基于粒子群优化算法(PSO)和最小二乘支持向量机(LSSVM)回归的摄像机非线性隐式标定方法.该方法采用最小二乘回归机精确逼近图像坐标与世界坐标之间复杂的非线性成像关系;利用PSO算法搜索LSSVM回归模型的最优参数,提高LSSVM回归的收敛速度和泛化能力.通过运用标准BP神经网络、遗传算法、LSSVM及粒子群优化的LSSVM回归方法对圆阵列图案标定模板进行标定,实验结果表明:基于PSO和LSSVM回归的标定方法具有标定精度高、收敛速度快、泛化能力强等优点.