基于核聚类的K-均值聚类（英文稿）

为处理线性不可分、结构复杂的数据集,提出基于核聚类的K 均值聚类(Kernel Clustering based K means Clustering,KCKC).该方法先在原始空间中对模式进行聚类,再由径向基函数(Radial Basis Function, RBF)核把它们映射到核空间,从而保持大部分模式之间的关系.把提出的方法应用到基于RBF的神经网络(RBF based Neural Network,RBFNN)、基于RBF的支持向量机(RBF based Support Vector Machine, RBFSVM)和核最近邻分类器(Kernel Nearest Neighbor Classifier,KNNC)中,结果表明本文提出的算法可以生成更有效的核,节省在核空间中的核生成时间,避免核数目设置的敏感性,并提高分类性能.     

变频调速控制下岸桥的起升动载因数联合仿真

为研究岸边集装箱起重机(简称岸桥)在变频调速(Variable Velocity Variable Frequency, VVVF)控制下其起升动载因数的变化问题,在Matlab\Simulink中利用电力电子元件建立电机和变频调速系统模型,在MSC Adams中建立岸桥前大梁刚柔耦合模型,分别在未变频和变频调速控制下,对这2个模型进行联合仿真.仿真结果表明,变频调速控制下岸桥的起升动载因数大大降低.     

基于智能人形识别的港口无人区监控系统关键技术

为改善以人工为主的传统监控系统,在天津港煤码头无人区运用智能视频监控技术进行智能人形识别监控研究.该技术利用优化的方向梯度直方图(Histogram of Oriented Gradient,HOG)算法快速对人体轮廓进行描述;结合基于港口实际场景训练得到的支持向量机分类器,标定出图像中有人的区域.在天津港煤码头无人区的现场实验表明,该技术对一幅320×240像素的图像的检测时间小于200 ms,满足港口监控实时性的要求.对具有复杂背景的监控区域,该技术能够高效地进行人形目标的匹配与识别,从而使安全得到更有效的保障.     

基于SVM的实时自动超声钢轨伤损检测分类系统

介绍了一个更有效的基于支持向量机的实时超声波钢轨伤损自动检测分类系统.根据钢轨伤损的特点提取特征量,利用基于支持向量机的分类预测算法实现钢轨伤损的实时检测分类,并基于统计处理的计算伤损尺寸.在嵌入式系统DSP中利用该机器学习算法实现了伤损的实时处理和测试.实现了钢轨伤损实时报警、显示伤损类型、所处轨内位置及程度.     

基于类重叠度欠采样的不平衡模糊多类支持向量机

传统的欠采样方法容易丢失重要的样本信息,且其实验结果的稳定性较差。针对上述问题,提出一种基于类重叠度欠采样的不平衡数据模糊多类支持向量机算法。该算法首先采用LOF局部离群点因子和箱线图的方法清洗训练数据集中的噪声样本,然后根据类重叠度抽取对分类起关键作用的支持向量,并且将代表每个样本点重要程度的类重叠度作为隶属度值,构造模糊多类支持向量机。实验结果表明,该算法克服了随机欠采样的支持向量机容易丢失重要样本信息和实验结果不稳定的缺点,且很好地提升了支持向量机在不平衡且含噪声的数据集上的分类精度,并保持较高的计算效率。     

基于一种新的核聚类方法生成RBF核的支持向量机

为弥补具有径向基函数(radial basis function, RBF)核的支持向量机(support vector machine, SVM)的不足,即如何获得合适的RBF核并且包含更多的数据信息,提出一个关于核聚类的有效方法。该方法通过关于核数目、中心、宽度的一些公式来生成核。这个生成方法可以容易、合理、优化地获得核。在美国邮政手写数字数据集(记为USPS)和字母识别数据集(记为Letter)上的试验可以验证,具有这些新生成的RBF核的SVM拥有更少更合理的核以及更高的分类性能。通过这个新提出的方法,可以处理更多的大规模分类问题。     

基于核函数原型和自适应遗传算法的 SVM模型选择方法

针对现有SVM模型选择方法中人为指定核函数类型导致SVM模型性能难以达到最优的问题,提出了核函数原型的概念,并在此基础上提出一种基于核函数原型和自适应遗传算法的SVM模型选择方法. 该方法针对具体问题选择最优的核函数,有效地提高了SVM模型的性能;同时该方法通过动态调整遗传算法的控制参数,提高了SVM模型选择方法的稳定性. 在5个标准SVM数据集和遥感图像上的实验证明了该方法的有效性和稳定性.     

基于角度的变系数多分类支持向量机

支持向量机作为机器学习中一个经典的分类算法,一直广受数据科学家的喜爱。无论是处理线性可分还是非线性可分数据,传统的支持向量机能够很好地解决二分类问题。针对给定的样本,支持向量机通过最大化最小间隔得到最佳的决策分界面,从而实现对新样本的类别预测。然而现实中的数据更为复杂多样,一方面数据的类别往往多于两个,近年不乏有优秀的多分类支持向量机算法出现;另一方面不同领域的数据的特征集中可能存在相对特殊的变量（称之为主变量,targeted variable）,需要将其挑选出来并加以特殊处理,以保持主变量对最终分类结果的重要影响。考虑这两个方面,提出基于角度的变系数多分类支持向量机（TLAMSVM）模型以解决含有主变量的多分类问题。它使用具备更好几何解释能力的基于角度的间隔最大分类框架完成多分类,并引入变系数模型,通过选择合适的局部光滑函数处理主变量对模型的影响。把基于角度的变系数多分类支持向量机分别应用到模拟数据集和真实数据集上。数值结果显示,相比没有使用变系数思想或基于角度的多分类框架的多分类支持向量机,TLAMSVM模型具有更高的预测准确度。     

基于最小二乘支持向量机的AIS数据修复方法

针对当前船舶自动识别系统(automatic identification system,AIS)数据存在大量错误和缺失的问题,通过匹配AIS数据丢失时间制定完备AIS数据库,采用改进的Hausdorff距离公式融合轨迹空间相似度与船舶航行速度相似度,采用相似轨迹作为最小二乘支持向量机(least squares support vector machine,LSSVM)算法的输入样本,通过数据训练得到的回归模型对AIS数据进行修复。采用实际数据进行验证。结果显示,本文提出的基于粒子群优化(particle swarm optimization,PSO)的LSSVM算法能够准确还原AIS数据。结果可以提高AIS数据的连续性和完整性。     

基于SVM/LDA的SAR图像目标鉴别方法

提出一种基于主成分分析和支持向量机与线性判别分析结合算法的合成孔径雷达(synthetic aperture radar,SAR)图像目标鉴别方法. 利用主成分分析算法对SAR图像向量进行降维并提取其全局特征,对降维后的全局特征采用最小类内散度支持向量机算法进行变换,并对变换结果训练生成最佳分类器,进行分类完成目标鉴别. 实验结果表明该方法可以获得较高的分类正确率.     

基于支持向量机的轿车车型识别

为了从轿车图像中快速、准确地识别出轿车车型,采用支持向量机(Support Vector Machine,SVM)方法作为分类器,以轿车的长、宽、高和轴距等4个特征参数作为输入特征向量,并根据这些特征向量对不同车型进行分类和识别.实验结果表明,对11个品牌15种车型的识别准确率达100％.本研究表明,在正确选取轿车的特...     

基于数据驱动方法的集装箱龙门起重机能源系统健康状态预测

为实现起重机节能环保和延长电池组的寿命,以电池的剩余容量作为集装箱龙门起重机能源系统健康状态的评价标准,建立BP神经网络和最小二乘支持向量机(least squares support vector machine,LSSVM)两种电池剩余容量预测模型。分别采用梯度下降算法和标准粒子群优化算法对两种预测模型中的参数进行优化。利用训练好的模型进行电池剩余容量预测。将两种模型的预测值与实测值进行对比分析,结果表明这两种模型都具有高的预测精度,而LSSVM模型是更合适的预测模型。     

基于非线性分类和回归问题中的支持向量机算法

针对回归问题和分类问题的各自特点．提出了一种解决非线性回归问题和分类问题的支持向量机算法．文中采用了核函数思想．把非线性空间的问题转化到线性空间的问题。降低了算法的复杂度．     

基于SVM预测模型的汽车电子市场价值估计

为估计汽车电子市场的潜在价值,引入一种基于改进优化核函数参数支持向量机(Support Vector Machine,SVM)的中国汽车月产量预测模型.SVM采用RBF核函数和ε-SVR回归方法;参数选择归结为使推广能力的估计值最小、对偶问题最大化的最优化问题.根据2005—2009年中国汽车月产量数据,预测2010年前3个月的中国汽车月产量,并估计中国轻型汽车电子市场的潜在价值.结果表明:该模型能够提高短期预测性能,可为汽车公司的市场决策提供有价值的参考.     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。     

基于SVM分类器的集装箱箱号识别法

为准确、高效地识别集装箱箱号,提出基于支持向量机(Support Vector Machine,SVM)分类器的集装箱箱号识别法.在对大量箱号图片进行实验并统计各种特征识别率的基础上,经过预处理、箱号定位、字符分割,得到36×22像素大小的二值化图像;提取箱号字符的边界和质心特征、改进的灰度直方图特征以及边缘方向直方图...     

桥吊实时工况统计分析与预测

为准确掌握桥式起重机(简称桥吊)的动态信息,对上海外高桥集装箱桥吊的实时工况进行统计分析与预测.通过分析桥吊起升电机的振动信号和温度信号统计特性,得到振动与温度的关系;通过对信号数据的预处理,建立支持向量机(Support Vector Machine, SVM)训练模型,其中对惩罚参数和核函数参数采用交叉验证的方法进行优化;利用得到的训练模型预测后继的振动信号.与单纯用振动信号或温度信号所建的模型相比,这种振动信号与温度信号相结合的模型对电机振动信号预测的准确性更高.     

基于SVR的船舶航行安全评估模型

为对船舶航行安全状况进行有效预测,利用支持向量回归(support vector regression, SVR)算法构建船舶航行安全评估模型。在分析影响船舶航行安全的因素的基础上,对船舶历史数据进行预处理后将其作为模型训练和测试的样本数据。实验结果表明:该模型评估准确度可达99.6%以上;在同一样本数据条件下,模型的评估准确度和稳定性均优于基于极限学习机(extreme learning machine,ELM)构建的模型。模型的评估结果为水上交通管理部门的监管提供参考。