六自由度静定支持与约束技术在飞机载荷校准试验中的应用

在研究以往飞机载荷校准试验时非静定支持与约束方式的基础上,首次提出了飞机六自由度静定支持与约束方法;根据载荷校准试验得到的飞机受力分析结果,对飞机起落架支持与约束载荷进行了分解和简化,建立了飞机六自由度静定支持与约束工程模型;结合某型飞机的载荷校准试验对该方法进行了试验验证,结果表明:采用该方法可实现对飞机约束载荷的理论计算和实时监控,保证了飞机机翼等复杂结构部件在高载校准工况下试验过程的安全、可控;使飞机机翼的试验载荷量级提高到了限制载荷的43%,机翼载荷建模精度可控制在3%以内。     

基于PLS-SVM解析光度法多组分同时测定数据的比较

针对含有一定浓度氮、磷水样的紫外吸收光谱,利用支持向量机与偏最小二乘回归相结合的方法对水样中的氮磷浓度进行回归建模,所建模型可以很好地检测出水样中的氮磷含量.仿真结果表明,用这种方法建立的模型,氮麟浓度检测的相对误差都在10％以内,完全满足这方面的精度要求.     

基于支持向量机的拟南芥基因表达数据分析

针对拟南芥根部基因表达数据分析的问题,本文提出了一种新的基于距离度量学习的支持向机多分类算法．鉴于此问题的特殊性,本文通过最小化4分类机的LOO 误差来求得一个恰当的距离度量．并在此度量下找到若干个属于第5类(其它类)的训练点,从而构造出一个5分类机用来对所有基因分类．实验验证了此算法的可行性,并且比基因表达分析中传统使用的聚类方法更有效．     

基于支持向量机理论的滑坡灾害预测——以浙江庆元地区为例

滑坡发生受很多因素影响，揭示因素与发生滑坡事件的关系是当前滑坡研究中的一个重要内容．运用支持向量机理论，利用数字高程和遥感数据，构建了滑坡预测的支持向量机模型，并以浙江庆元县境内滑坡发生集中区为试验区，开展滑坡灾害的预测与评价，取得了与实际滑坡较为一致的结果．认为基于支持向量机理论建立的滑坡预测与评价模型可以快速准确地实现滑坡灾害区域评价与预测．     

大型企业产品结构优化的柔性模型

基于大型企业产品结构优化的传统模型，分析了企业面临的不确定因素，提出了柔性线性规划模型。     

基于Riesz基的再生核及支持向量机

在支持向量机(SVM)技术中,再生核的选择起着重要作用.利用L2(R)中的一组Riesz基构造再生核,并将其推广到应用广泛的正交小波.在基于正交小波的再生核Hilbert空间中考虑函数的正则化逼近,对基于正交小波再生核的SVM结合小波分析进行探讨,得到SVM的离散逼近,离散细节均只与支持向量有关.     

支持向量机及其在提高采收率潜力预测中的应用

提高采收率潜力分析的基础是进行提高采收率方法的潜力预测 .建立提高采收率潜力预测模型从统计学习的角度来看 ,实质是属于函数逼近问题 .本文首次将统计学习理论及支持向量机方法引入提高采收率方法的潜力预测中 .根据 Vapnik结构风险最小化原则 ,应尽量提高学习机的泛化能力 ,即由有效的训练集样本得到的小的误差能够保证对独立的测试集仍保持小的误差 .在本文所用较少样本条件下 ,支持向量机方法能够兼顾模型的通用性和推广性 ,具有较好的应用前景 .研究中采用的是综合正交设计法、油藏数值模拟和经济评价等方法生成的理论样本集     

基于支持向量机的近红外特征变量选择算法用于树种快速识别

将稳定度自适应重加权采样特征变量选择算法用于支持向量机定性分析(Support vector machine-stability competitive adaptive reweighted sampling,SVM-SCARS)。该算法通过对数据多次采样建模计算各变量的稳定度值,稳定度值能更加客观准确地评估变量在建模中的作用,因此可作为变量重要性的评价依据。通过循环迭代方式,采用自适应重加权采样技术逐步筛选变量,然后以每次循环所得变量子集建立SVM模型,并以模型交叉验证分类正确率(Correct classification rate of cross validation,CCRCV)评估子集优劣,确定最优特征变量子集。将该算法结合漫反射近红外光谱技术建立了制浆造纸常用木材的树种识别模型,实现了对4种桉木和2种相思木的快速识别分类。最终共筛选出15个特征变量建立分类模型,模型对各树种分类的正确率达97.9%,具有较好的分类效果。与全光谱模型和递归特征消除支持向量机模型相比,SVM-SCARS能够筛选出更少的特征变量,且模型具有更好的预测性能和稳定性。研究结果表明,SVM-SCARS算法能够有效优化光谱特征变量,提高近红外在线分析模型在木材材性分析中的稳健性和适用性。     

尿液中常见毒品微量检测的表面增强拉曼光谱识别

通过将自适应平滑滤波器和结合小波变换的支持向量机(Support vector machine,SVM)分类器有机组合,建立了低信噪比拉曼光谱的模式识别方法。首先,通过自适应平滑滤波器进行光谱去噪,滤波窗口宽度根据信噪比估计值进行调整,从而在保证特征峰信号强度的同时达到更好的噪声滤波效果;其次,由小波变换实现光谱数据降维,通过小波分解层数优化可以获得训练集的最佳分类准确率;最后,由SVM进行分类,通过交叉验证(Cross validation,CV)实现SVM参数寻优,并根据交叉验证与分类器之间的准确率关系,得出分类器可用参数需满足的条件。基于表面增强拉曼光谱技术,本方法实现了人体尿液中甲基苯丙胺(Methamphetamine,MAMP)和亚甲基二氧基甲基苯丙胺(3,4-Methylenedio-xymethamphetamine,MDMA)的定性微量分析。实验使用中国科学院合肥智能机械研究所研发的金纳米棒拉曼光谱增强基底,由Delta Nu公司的Inspector型便携拉曼光谱仪采集光谱,激发光波长785 nm,曝光时间为5 s,整体检测准确率高于95.0%。