【摘 要】
:
针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.
论文部分内容阅读
针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.
其他文献
First a general model for a three-step projection method is introduced, and second it has been applied to the approximation solvability of a system of nonlinear variational inequality problems in a Hi
目的:使统计参数图软件(SPM)采用多种校正后的统计比较结果。方法:利用门限的方法,对三种结果的数值归类,采用多阈值进行分割,并利用彩色映射表,将三种结果彩显于同一平面图内。结果:三种结果分别以淡蓝、橙色和深红色显示于深蓝色参照图中。结论:该方法得到图像直观对比度好,且易实现,实用性较强。
超音速目标识别过程中,其产生的N型激波容易与爆炸波混淆在一起,从爆炸波中识别N型激波非常重要。本文提出一种从爆炸波中识别N型激波的技术,通过用5.56mm,7.62mm,12.7mm超音速枪弹做射击试验和TNT炸药爆炸试验,获取N型激波和爆炸波原始数据,进行了特征提取,并采用主成份分析(PCA)方法对特征数据进行压缩处理后,用支持向量机(SVM)方法进行分类识别。结果表明,文中提出的识别方法是可行
Radio frequency identification(RFID)has prominent advantages compared with other autoidentification technologies.Combining RFID with network technology,physical object tracking and information sharing
Recently,a two-dimensional(2-D)Tsallis entropy thresholding method has been proposed as a new method for image segmentation.But the computation complexity of 2-D Tsallis entropy is very large and beco
采用印刷天线的无线射频识别(RFID)标签,成本低,但性能不如金属天线标签。在不增加成本的情况下,提高印刷天线的性能则可替代金属天线。阻抗越低印刷天线的性能越高,而阻抗又取决于天线的厚度和导电油墨的阻抗。为了研究油墨紧度和粗细对阻抗的影响,制备了不同线径的印刷天线。实验结果显示,通过压实印刷天线线圈,阻抗降低40%以上,而电感和电容则维持不变,且印刷天线经压实的RFID标签识别距离明显增加。此外,
全自动体育运动识别,通过提取视频光流特性和梯度特征,达到聚类的目的。从每一帧的特征中,通过线性系统辨识工具,学习每个视频片段的运动形状。尽管非钢体的运动序列难于进行学习、比较,但是动态描述方程具有很强的比对能力和鉴别能力。使用它们来识别单个运动或者行为得到较好的效果。
目的本文首先对目前的DR图像处理技术进行总结,并分析胸片图像的特殊性,针对目前图像处理算法对胸片图像处理的不足,提出了一种自适应非线性拉伸的DR胸片图像处理算法。方法该算法在对图像进行增强、均衡、去噪之后,根据图像的统计信息确定感兴趣区,然后利用非线性变换LUT表对图像进行变换。结果在实验部分对Hologic DR探测器产生的图像进行处理,胸片图像细节突出。结论结果表明应用本文算法进行处理后,胸片
为了提高严重椒盐噪声的滤波性能,本文提出一种新的基于细节保留的中值滤波算法。它仅处理被破坏的像素,用截尾中值或者邻域的已经处理过的4个像素的均值来代替,而保留未被破坏的像素。实验结果证明,本文所提出的算法在视觉效果和客观指标两个方面比已有的算法要好。本文算法的特点是它对一般的椒盐噪声图像去噪效果都好,尤其对严重椒盐噪声。
小样本条件下,Fisher准则中类内散布矩阵一般是奇异的,无法直接求解.本文提出利用粒子群优化理论,在无需求类内散布矩阵逆的情况下求解Fisher准则下小样本最佳鉴别变换的方法.讨论了通过粒子群优化算法的位置——速度搜索模型获取最佳鉴别投影向量的方法和步骤.实验对比类内散布矩阵非奇异时,采用计算特征向量方法和本文方法的差异.分析验证小样本条件下类内散布矩阵奇异时,通过本文方法进行最佳鉴别变换的分类