基于受限玻尔兹曼机的电能质量复合扰动识别

针对目前电能质量混合扰动识别精度不高的问题,引入了受限玻尔兹曼机(RBM)算法。RBM是深度学习的一种新颖算法,在语音识别、机器视觉和图像恢复等领域已取得了很好的应用成果,但在电能质量复合扰动识别上尚未涉及。区别于传统算法提取特征的方式,深度网络通过提取波形的固有抽象特征,克服了人工特征选择的缺陷以及传统神经网络训练时收敛速度慢、容易限于局部最优的缺点。复合扰动信号经过深度网络自动获得特征参数,再经过分类器进行分类识别。实验验证该算法在电能质量复合扰动识别上可以达到很高的性能,优于传统的识别方法。 更多还原     

基于LIBS技术的钢铁合金中Cr和Ni元素SVM定量分析方法研究

针对钢铁合金样品中存在基体效应复杂的问题,通过优化支持向量机模型的输入特征,建立多元素变量的定量分析模型,预测钢铁合金样品中Cr和Ni元素的含量。研究结果表明,分别以特征谱线的峰值强度和积分强度作为支持向量机模型的输入时,积分强度因为包含了谱线的谱宽和形状信息,模型训练效果较好;相比于单一元素谱线的特征信息,采用多元素的多条谱线信息输入支持向量机模型时,模型训练效果较好,这是由于多种谱线信息的输入可以有效校正基体效应的影响。在此基础上,通过归一化变量将内标法与多变量定标方法有效结合,不仅可以减小实验测量误差还能有效校正基体效应的影响,而且有效提高了模型的重复率和准确率。归一化变量作为支持向量机模型的输入变量,对待测样品S₁和S₂中Cr元素含量预测的相对误差为6.58%和1.12%,对Ni元素浓度预测的相对误差为13.4%和4.71%。通过归一化变量将内标法与多变量定标方法有效结合,可以充分发挥SVM算法的非线性学习优势,为LIBS技术应用于复杂样品定量定标分析提供理论基础。     

基于SVM与RF的苹果树冠LAI高光谱估测

叶面积指数(leaf area index,LAI)是反映作物群体大小的较好的动态指标。运用高光谱技术快速、无损地估测苹果树冠叶面积指数,为监测苹果树长势和估产提供参考。以盛果期红富士苹果树为研究对象,采用ASD地物光谱仪和LAI-2200冠层分析仪,在山东省烟台栖霞研究区,连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值;通过相关性分析方法构建并筛选出了最优的植被指数;利用支持向量机(support vector machine, SVM)与随机森林(random forests, RF)多元回归分析方法构建了LAI估测模型。新建的GNDVI₅₂₇,NDVI₆₇₆,RVI₆₈₂,FD-NVI₆₅₆和GRVI₅₁₇五个植被指数及前人建立的两个植被指数NDVI₆₇₀和NDVI₇₀₅与LAI的相关性都达到了极显著水平;建立的RF回归模型中,校正集决定系数C-R2和验证集决定系数V-R2为0.920,0.889,分别比SVM回归模型提高了0.045和0.033,校正集均方根误差C-RMSE、验证集均方根误差V-RMSE为0.249,0.236,分别比SVM回归模型降低了0.054和0.058, 校正集相对分析误C-RPD、验证集相对分析误V-RPD达到了3.363和2.520,分别比SVM回归模型提高了0.598和0.262,校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1,RF回归模型的估测效果优于SVM。RF多元回归模型适合盛果期红富士苹果树LAI的估测。     

基于支持向量机的序列可靠性优化方法

在工程设计中,可靠性优化设计通常计算量较大或精度不够。本文提出了一种基于支持向量机（Support Vector Machine）和MPP（Most Probable Point）的可靠性分析方法。用SVM 在MPP处替代原极限状态函数,并利用极限状态函数的梯度信息,使SVM模型穿过M PP并与原函数相切,再基于SVM采用重要抽样法计算失效概率。然后,将SORA（Sequential Optimization and Reliability Assessment ）与基于SVM 的可靠性分析方法相集成,将传统的双循环可靠性优化算法解耦为单循环,并通过基于SVM 的可靠性分析方法修正了SORA中由于线性近似带来的误差,保证了最优设计点处可靠性分析的精度。算例证明,该方法在处理非线性问题时具有精确度高和计算量适度的特点。     

基于小波包Shannon熵与GA-SVM的船舶轴系故障诊断方法

针对船舶推进轴系的振动问题, 基于小波包、Shannon熵、遗传算法(GA)和支持向量机(SVM)理论, 提出了一种船舶轴系故障诊断的新方法, 简称WPS-GS方法. 该方法依托船舶螺旋桨状态监测模拟实验平台, 利用小波包分解技术分析船舶轴系发生故障时的振动信号, 将其Shannon熵作为SVM的输入特征向量. 在训练SVM时, 采用遗传算法对SVM的参数进行全局寻优, 使SVM具有更高的识别准确率. 实验结果表明, WPS-GS方法对故障诊断的准确度和识别率较传统SVM和交叉验证SVM方法高, 适用于船舶轴系故障诊断.     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine,SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个,空心75个)作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像(390~1 040 nm),对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量(454,601,639,664,748,827,874和936 nm),所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm,AFSA)、遗传算法(genetic algorithm,GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSA-SVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。     

L 1 范数支持向量机在代谢组学中的应用

代谢组学是关于生物体内源性代谢物质的整体及其变化规律的科学,也是一个数据密集型的研究领域,由此使得模式识别在代谢数据处理中有重要作用．L₁ 范数支持向量机(L₁-Norm Support Vector Machines, L₁-norm SVMs)作为在模式识别领域中准确、稳健的方法,在代谢组学中的应用较少．该文应用L₁-norm SVM 方法对小鼠感染血吸虫后的代谢数据进行了分析,分析结果显示L1-norm SVM 在聚类与特征选择方面具有优势,并表明它在代谢组学领域的应用有着潜力和前景．     

抗肿瘤药物在金属有机骨架中的装载及体外释放

以三乙胺直接加入法制备金属-有机骨架MOF-5, 采用X射线粉末衍射(XRD), 红外光谱(IR)和热重分析(TG)对所得样品进行表征. 分别以辣椒素和5-氟尿嘧啶(5-Fluouourail, 5-FU)为模型药物, 研究了MOF-5对2种药物的载药及体外释药性能. 通过将所得样品的XRD和IR谱图与标准谱图比对确定了样品的结构. TG结果表明, 所制备的MOF-5热稳定性良好. MOF-5对辣椒素的最高载入量达0.592 g/g载体, 对5-FU的最高载入量为0.315 g/g载体, 两种载药体系的体外释药均为明显的两相模式. 体外细胞毒性实验结果表明, MOF-5具有良好的生物相容性.     

基于SVM的橡胶连续收盘指数的降噪回归预测

基于支持向量机的预测模型对橡胶连续的收盘价原始数据和降噪后数据进行预测,并对拟合得到的2个结果进行对比.结果表明:对时间序列降噪后,再用支持向量机进行预测模拟,相比直接用原始数据得到预测结果要精确得多,也具有很好的推广价值.     

面向非平衡数据处理的样例惩罚支持向量机

支持向量机在处理非平衡数据集时常常不能取得良好的效果,因为其分类性能只考虑了总体分类精度,而忽略了不同类别样例之间的精度权衡.本文提出了一种基于样例分布的样例惩罚支持向量机,可以针对每一个样例根据其相应的分布特性选取惩罚以获得高敏感度的分类面.实验表明,该模型比标准支持向量机在非平衡数据上具有更好的性能.