基于小波包与支持向量机结合的滤波器故障诊断研究

首先介绍了小波包分解与重构算法和支持向量机的分类算法,然后以一个带通滤波器故障诊断为实例,利用小波包提取特征响应向量建立样本集,并利用支持向量机完成滤波器电路的故障诊断,诊断效果良好。     

基于小波包分析的辐射源特征提取和识别算法

提出了一种基于小波包的变换方法。该方法通过对不同脉内调制方式进行频带能量的提取,并引入支持向量机来完成对辐射源的分类。该小波包变换对信号局部的时频特征具有较好的分辨率。仿真结果表明,文中的小波包变换信号时频特征的分析精度优于传统算法。     

基于SVM的电压扰动识别研究

针对电力系统中出现的电压暂升(暂降、暂断)以及谐波、电压脉冲和电压闪变这六种常见电压扰动进行建模,将特征量输入到SVM进行电能质量扰动多类分类。首先采用相应小波包分解算法将电能质量中某一频段内的信号分解到特定频段上,其次在这些特定频段上提取特征向量,最后针对该特征向量构造相应支持向量机分类器。结果表明,在较复杂的电能质量扰动情况中,支持向量机分类器仍能实现对信号的精确分类,对电能质量监测具有很好的应用价值。     

基于支持向量机的辐射源识别算法

为了提高电子对抗设备对辐射源的识别能力,采用小波包变换法提取信号的时频谱特征,并引入支持向量机完成对辐射源的分类。小波包变换对信号局部的时频特征具有较好的分辨率,支持向量机分类器结构简单、可获得全局优化、泛化能力强。仿真结果表明,基于支持向量机的辐射源分类方法的正确率优于传统算法。     

基于支持向量机的认知无线电频谱预测方法

频谱预测是认知无线电系统中的关键技术之一,利用该技术可以显著减少认知用户的能量损耗,同时提高系统的频谱利用率.针对现有基于BP神经网络的频谱预测方法预测精度低及失效率高等问题,将建立在统计学习理论和结构风险最小原则上的支持向量机引入认知无线电频谱预测中,利用其对小样本及非线性数据优越的预测性能对信道进行预测.实验结果表明,该方法通过避免无效检测,提高了频谱感知系统的性能,并且比基于BP神经网络算法的模型的预测精度更高,具有良好的实用性与灵活性.     

基于支持向量机的飞行器健康诊断方法

为解决飞行器关键结构部件裂纹损伤的有效监测,及时发现潜在的安全隐患,避免灾难性事故的发生,采用先进的声发射技术对某军用飞行器真实关键结构部件的健康状态进行监测.使用小波包分析方法对所募集的飞行器结构部件声发射信息进行分解,提取能反映结构裂纹损伤信息的范数特征向量,作为支持向量机健康状态监测器的输入,对其进行训练和健康诊断研究.提出了一种由声发射信息范数特征向量与支持向量机相结合对飞行器结构裂纹损伤进行有效识别的新方法.在某军用飞行器真实结构部件的裂纹损伤试验中,运用该方法对其健康状态进行监测研究表明,该方法可准确诊断其裂纹损伤,为飞行器结构部件健康状态的有效监测提供了新途径.     

基于声发射信号的纳秒激光划片轮廓监测

针对Al5083纳秒激光划片过程中产生沟槽和凸起两种轮廓的问题,研究了不同工艺参数下产生轮廓与映射声信号的关系。开展Al5083薄板纳秒紫外脉冲激光划片试验,观察轮廓的微观形貌,探究轮廓形成机制;采集声发射信号,小波包变换后分析声信号的差异性,并开展支持向量机分析。微观观测结果表明,凸起轮廓的成形机制包括熔融金属溅出受阻和凝固时产生的大量气孔。声信号分析结果显示,沟槽轮廓对应的小波包分解系数的方差和包络面积显著高于凸起轮廓;以小波包分解后的频谱为特征向量,添加标签后使用高斯核支持向量机分类,分类准确度达92.57%,验证了小波包变换和支持向量机的结合在基于声信号的轮廓监测中的可行性,为构建基于声发射的激光划片监测系统提供可行的技术路径。     

基于DM642的实时人脸检测系统的实现

人脸检测作为人脸分析的首要环节,在计算机视觉、模式识别、多媒体技术研究等领域中占有日益重要的地位。为了在嵌入式系统中实现人脸的实时检测,研究了基于TMS320DM642的人脸检测设计方案。提出了一种基于简化Gabor小波特征和层次型支持向量机的人脸检测算法,针对该算法与TMS320DM642的结合进行了系统设计和代码移植,阐述了算法性能的优化方案。优化后的检测算法满足了实时性要求,为实际应用奠定了基础。     

认知无线电中基于支持向量机的频谱空闲度预测

研究认知无线系统中的频谱小时空闲度预测问题,针对GSM系统的载频小时空闲度时间序列的非线性特点,提出一种基于支持向量机的预测模型构建方法。为提高模型的预测精度,在GSM系统小时空闲度时间序列特征分析的基础上,利用序列的节假日特性和日周期特性,对数据序列进行了重构。仿真结果表明,与采用基于神经网络的预测模型相比,该预测方法对工作日和周末均具有较高的预测精度,其预测绝对百分比误差在4以内。     

基于量子粒子群优化的SVM的模拟电路故障诊断

相比于小波变换,小波包变换具有较高的分辨率和细致的分析能力,是小波变换的延伸和发展。支持向量机具有较好的泛化能力,能够应用于模拟电路的故障诊断。鉴于支持向量机参数难以确定的问题,采用量子粒子群优化算法选取支持向量机的参数,将优化后的支持向量机与小波包变换相结合,利用小波包变换提取电路的故障特征,然后通过优化后的支持向量机对特征向量进行分类识别。最后通过对实例的分析,验证该方法的有效性。     

认知无线电中基于机器学习的频谱感知算法研究

针对于认知无线电中传统感知算法受信噪比(SNR)影响、过度依赖主用户先验知识和感知时间长等问题,提出基于支持向量机(SVM)的频谱感知算法,通过将信号能量值、SNR值与类别标签作为训练数据,对其进行SVM学习后,得出此CR环境下的分类模型。仿真结果显示在低SNR环境下,机器学习频谱感知算法检测概率比能量检测的提高了近40%,分类错误率仅为1.4%,因此具有更优良的感知性能。     

基于SVM的油水两相流流型识别算法

油水两相流流型不仅影响两相流的流动特性、热传和传质性能,而且影响系统运行时的可靠性和效率.采用统计理论、小波包理论相结合的方法对垂直上升管内油水两相流的电导波动信号进行分析,得到8个能反应油水两相流流动特性的特征参数.设计支持向量机寻优函数,将这些参数作为流型的特征向量,利用支持向量机进行训练并识别流型.实验结果表明:...     

基于智能手机传感器的人类行为识别研究

针对因人类行为识别中手机位置的不确定性导致的行为识别率低的问题,提出了一种实时行为识别方法。首先对智能手机中加速度计和陀螺仪所获取的各行为下的传感器数据,依次进行零偏误差补偿、异常值处理和db7小波阈值去噪;其次使用滑动窗口对预处理后的数据进行分割,同时基于各行为特征分布规律进行特征提取;最后将提取的特征用于支持向量机(Support Vector Machine, SVM)分类器模型的训练,通过调用SVM模型结合多票判决策略实现当前时刻行为预测。仿真结果表明,该方法能有效地识别坐、站立、行走、跑步、上楼、下楼、躺、卧8种基本行为,并能区分握、阅读、接听、摆臂、口袋5种手机位置。分类器模型的整体识别率达到了97.6%,在手机位置固定和不固定的情况下,实时行为识别的平均识别准确率分别达到了90.6%和84.8%,平均耗时为177.803 ms。     

雷达目标一维距离像识别方法研究

提出了一种基于小波包分析和二叉树支持向量机相结合的雷达目标一维距离像识别方法.该方法充分利用了小波包对信号的时频分解和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能.通过采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量.对...     

基于模糊识别恶意代码检测技术的研究

在恶意代码检测的过程中,假设恶意代码隐藏的比较深,很难对恶意代码特征进行完整、准确的提取.利用传统算法进行恶意代码检测,恶意代码的分布情况都是未知的,没有充分考虑到不同类别代码特征之间的差异性,降低了恶意代码检测的准确性.为此,提出基于模糊识别的恶意代码检测方法.根据支持向量机相关理论,提取恶意代码特征,并将上述特征作为恶意代码识别的依据.建立模糊识别辨别树,计算识别对象属于恶意代码的概率,实现恶意代码的检测.实验结果表明,利用改进算法进行恶意代码检测,能够极大提高检测的准确性.     

基于OC_SVM的Steghide检测算法

通过对使用隐写软件Steghide隐藏信息前后图像T、A、P点数目变化规律的分析,对每幅图像构造一个特征 向量,并且结合支持向量机提出一种基于OC_SVM的Stegthide检测算法,同时,实验结果给出了该算法在不同信息嵌 入量情况下的检测性能。     

基于Gabor小波和支持向量机的人脸识别方法

基于Gabor小波在图像表征方面的优越性,提出了将Gabor小波和支持向量机(SVM)相结合用于人脸识别的方案。用Gabor小波对人脸图像进行特征提取,再利用SVM策略对特征向量进行分类识别,实验的仿真结果验证了本算法的有效性。     

一种基于Gabor变换的HRRP目标识别方法

从模式分类角度讨论了基于高分辨距离像的舰船目标识别问题,提出了一种基于Gabor变换的HRRP目标识别方法。通过对数据进行Gabor变换去除噪声,利用基于小波包分解能量的方法得到信号在不同频带的能量分布特性,最终通过支持向量机进行识别。通过对6类目标实测数据的分析,验证结果表明,该方法在舰船目标识别领域具有良好的应用前景。     

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题.为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法.文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度.在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解.最终得出的多尺度回归模型能够有效地逼近多尺度信号.仿真结果验证了所提算法的有效性.