代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题，提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中，引入一种新的自适应代价敏感函数，赋予少数类样本及分错的少数类样本更高的代价值，并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机（Support vector machine,SVM）优化模型作为基分类器，采用带有方差减小的随机梯度下降方法（Stochastic variance reduced gradient,SVRG）对优化模型进行求解。对比实验表明，本文提出的算法不但在几何均值（G-mean）和ROC曲线下的面积（Area under ROC curve,AUC）上明显优于其他算法，而且获得了较大的平均间隔，显示了本文算法在处理非平衡数据分类问题上的有效性。     

基于支持向量机的结构损伤程度识别研究

支持向量机(SupportVector Machine,SVM)是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题,具有很优秀的回归特性。本文提出了一种基于支持向量机辨识结构损伤程度的方法,构造模态频率作为损伤标识量训练支持向量机对损伤程度进行预测,并以悬臂梁为例进行了仿真计算。结果表明:支持向量机是一种很有潜力的结构损伤识别方法,具有很好的应用前景。     

基于HOG和SVM算法的磨粒图像在线监测技术

为了解决发动机润滑油液磨粒图像监测只适用于微流且易受气泡干扰等问题,设计了一种可适用于相对大流量工作环境的油液磨粒光学图像在线监测系统,区分气泡和磨粒。通过该监测系统,批量采集了一系列磨损颗粒和气泡图片,用于后续图像分类算法的训练与测试。采用了一种基于背景差分和大津法的运动物体提取算法提取出大量磨粒及气泡图像样本,运用基于方向梯度直方图（Histogram of oriented gradients, HOG）进行特征提取和支持向量机（Support vector machine, SVM）分类算法对气泡和磨粒进行识别。实验结果表明,该监测系统能有效采集磨粒及气泡图像并进行自动识别。与基于形态学特征提取算法以及K最近邻（K-nearest neighbor, KNN）等传统分类算法相比,HOG-SVM算法分类精度更高,识别准确率可达83.8%。     

一类增量式支持向量机的分析

针对训练数据发生增量改变时,标准一类支持向量机的批处理算法需要重新进行训练,不适合在线增量环境学习的问题,提出一种详细的增量式标准一类分类向量机算法,并通过理论分析对该算法的可行性和有限收敛性进行了证明,确保该算法的每步调整都是可靠的,并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。     

基于样本错配训练的图像PRNU噪声提纯方法

基于传感器模式噪声的图像来源鉴别算法的关键在于如何获取高质量的光响应非均匀性（Photo-response non-uniformity， PRNU）噪声，目前大多数增强PRNU噪声质量的算法以及出于实际应用的目的对其压缩的算法几乎是在人工假设模型的基础上实现的。本文提出了一种基于样本错配训练的图像PRNU噪声提纯方法，该方法使用了深度堆叠自编码器网络，并设计了一种样本错配的技术对其进行训练。这种基于样本错配训练的端到端深度神经网络的使用有效避免了人工设计算法的局限性，对图像PRNU噪声进行了有效提纯，进而提升了其用于图像来源鉴别时的性能。在Dresden图像数据集上进行的比较实验结果表明，提纯后的PRNU噪声具有更好的性能。     

Boosting稀疏最小二乘支持向量回归机及其在推力估计中的应用

为实现航空发动机的直接推力控制代替传统的基于传感器的液压机械式控制,本文使用boosting技术提升最小二乘支持向量回归机的性能设计了推力估计器。在使用boosting的过程中,有两点与传统方法不同：（1）为了在建立稀疏最小二乘支持向量回归机的时候使数值计算更稳定,使用无放回抽取;（2）为了实现最小二乘支持向量回归机的稀疏性和降低计算的复杂度,用训练数据集的一个子集来建立最小二乘支持向量回归机,不再使用全部训练数据。仿真实验表明,基于boosting稀疏最小二乘支持向量回归机的推力估计器能够满足直接推力控制的需要,即估计推力相对误差不大于5‰。     

基于NRS-SVM模型的航空弹药消耗预测研究

结合航空弹药训练消耗的特点,研究邻域粗糙集(Neighborhood rough sets,NRS)与支持向量机(Support vector machines,SVM)融合的航空弹药训练消耗预测问题。通过邻域粗糙集将5个初始影响因素约简为3个核心影响因素,并以此训练集对支持向量机进行回归优化。通过参数寻优得到最优的惩罚参数和核参数,进而构建NRS-SVM组合预测模型来预测航空弹药消耗。实证研究表明,该模型预测结果与实际数据吻合度较高,且与其他预测模型相比具有更好的预测性能。     

一种小样本民机产品的可靠性预测方法

将最小二乘支持向量机(Least square support vector machine,LS-SVM)应用于小样本民机产品的可靠性预测分析。通过重构相空间的饱和嵌入维数,确定最小二乘支持向量机的最佳输入变量;然后,使用最小二乘向量机建立可靠度回归预测模型,运用自动网格搜索法,优化了最小二乘支持向量机的建模参数,实现了比现有方法精度高、泛化性好的模型。训练和测试的可靠性样本取自某机型襟翼液压锁寿命可靠性数据。与神经网络模型的比较实例表明,提出的方法合理有效。     

复杂背景中的人脸检测与定位

鉴于单纯的基于支持向量机的检测方法存在分类器训练困难、计算量大和速度慢等问题，提出了一种在复杂背景中由粗到细的人脸检测定位方法。该方法针对非线性SVM分类器训练设计的不足改为训练线性SVM分类器以分类获取少量的候选区域，再在此基础上，利用人脸面部特征，对上述候选人脸做进一步的确认。实验结果表明该方法速度较快、误码率较低。     

基于RFG-SVM算法的在线课程学习行为分析

因支持向量机算法对在线课程平台的学习行为分析有误差,提出了一种基于大数据的随机森林模型的特征加权支持向量机RFG-SVM算法,该算法是在传统支持向量机算法上做完善、修改.利用Gini指数对特征变量计算,再计算RF模型分类识别的准确度,获得特征设定权重值,完成权重值在支持向量机的核函数中的计算.实验结果表明,通过对不同学...     

最小支撑树算法在基因表达数据聚类分析中的应用

聚类分析已成为对基因表达数据进行挖掘以提取生物医学信息的主要方法.本文提出了基于图论的最小支撑树(Minimum spanning tree,MST)聚类算法,用MST表示多维基因表达数据,可将数据的聚类转换为对最小支撑树的分割,相对于传统聚类方法,最小支撑树算法具有形象直观、对一些准则函数能产生全局最优解等优点;将MST算法分别与Memetic algorithm及人工免疫算法(Artificial immune network,aiNet)相结合,则产生更优化的聚类结果.对酵母基因表达数据的实验结果表明,最小支撑树聚类算法是一种有效的基因表达数据的聚类方法.     

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。     

基于欠采样的零阶优化算法

非平衡学习吸引了许多研究者的关注。一般情况下,少数类是更值得关注的,并且其误分类代价要远高于多数类。由于非平衡数据分布的非均衡性,标准的分类算法将难以适用。为了解决非平衡数据分类问题,给出了基于欠采样的零阶优化算法。首先,为了降低数据非平衡分布的影响,针对不同非平衡比的数据集给出了不同的两种采样策略。然后,采用了一种引入间隔均值项的支持向量机(Support vector machine,SVM)优化模型进行分类,并使用带有方差减小的零阶随机梯度下降算法进行求解,提高了算法的精度。在非平衡数据上进行了对比实验,实验证明提出的方法有效提高了非平衡数据的分类效果。     

用人工神经网络模拟三维编织复合材料的力学性能

三维编织复合材料由于其材料结构及编织工艺的复杂性和众多工艺参数的影响，目前尚未建立成熟的力学模型。本文采用人工神经网络ＢＰ算法，将编织工艺参数作为人工神经网络的输入，将弹性模量及强度性能作为输出，建立了编织工艺参数与力学性能的人工神经网络关系模型，并讨论了ＢＰ算法及网络结构。这种人工神经网络关系模型对于三维编织复合材料的实验、生产和应用。工艺参数的选取以及理论模型的研究都有重要的参考价值。本文最后     

基于PCA-RBF神经网络的浮选过程软测量建模

以浮选过程为研究对象,提出基于主元分析与RBF神经网络相结合的经济技术指标软测量模型,该模型依据工艺机理和经验知识对过程变量进行初选,采用主元分析方法对高维输入向量进行降维化简和辅助变量选择;采用新型混合递推算法对RBF神经网络参数进行优化。该算法包括修正网络中心的自适应聚类的简化型次胜者受罚竞争学习算法和修正网络权值的带遗忘因子的递推最小二乘算法。混合学习算法提高了网络参数辨识的收敛速度。仿真结果表明,软测量模型能很好地实现浮选过程经济技术指标的全局预测。     

复合材料低速冲击损伤面积神经网络估算方法

损伤面积是复合材料层合板在受低速冲击后其损伤严重程度主要表征参数之一。本文基于3层拓扑结构的BP人工神经网络,以冲击能量和凹坑深度作为输入参数,建立了损伤面积的快速估算模型。利用试验样本数据对BP神经网络模型训练后,选取样本数据进行仿真验证。对比分析说明该损伤面积估算模型具有良好的试验数据内在联系发掘能力,估算准确性与效率较高。本文研究为复合材料层合板低速冲击损伤面积估算提供了一种新的有效方法。     

基于灰色-神经网络联合模型的大型冷却塔风效应预测

基于灰色GM(1,1)模型和BP人工神经网络,建立灰色-神经网络联合的大型冷却塔平均位移和风振系数预测模型。该联合模型增强了预测结果的自适应性和准确性,能解决因气弹模型试验中测点样本数目太少而无法直接建立神经网络预测模型的局限。通过某大型冷却塔气弹模型风洞试验结果的算例分析,表明该组合模型对于平均位移和风振系数的预测结果均与试验结果吻合良好,随后基于已训练的模型给出结构风振反应精细化分析所需的输入参数预测结果。这为冷却塔结构风效应的精细化研究提供了一个新的有效方法。     

基于分层分解的一种实时车辆路径规划算法

道路网络通常是大规模和复杂的网络，而一般的最短路径算法需要大量的计算时间。为了减少计算负担，本文根据分层和空间分解的道路网络模型，提出了一种基于存储数据的车辆路径规划算法，路径通过查询表格获得。提出的算法尤其适用于集中式车辆路径规划。仿真结果表明，该算法在计算次最优路径时更快且要求更少的内存单元。     

分布式数据流处理中的负载分配策略

在分布式数据流系统中,连续查询网络数据流通常需要在多台计算机上运行,其中每台计算机运行连续查询网络的一个子网,它们相互合作共同完成连续查询任务。当输入数据流速发生较大波动时,会引起相关连续查询子网过载,从而影响整个连续查询网络的数据处理能力。针对这一实际问题,分析了分布式数据流系统和连续查询网络的特点以及现有负载处理方法,建立了问题的规划模型,提出了分布式数据流处理的一种负载分配策略。该策略以元操作为基本负载移动单元,在保证系统负载平衡的前提下,极小化节点间的数据传输量。实验测试了负载与延迟之间的关系以及负载随时间的波动情况,结果表明了策略的有效性。     

Warehouse Environment Parameter Monitoring System and Sensor Error Correction Model Based on PSO-BP

The warehouse environment parameter monitoring system is designed to avoid the networking and high cost of traditional monitoring system.A sensor error correction model which combines particle swarm optimization(PSO)with back propagation(BP)neural network algorithm is established to reduce nonlinear characteristics and improve test accuracy of the system.Simulation and experiments indicate that the PSO-BP neural network algorithm has advantages of fast convergence rate and high diagnostic accuracy.The monitoring system can provide higher measurement precision,lower power consume,stable network data communication and fault diagnoses function.The system has been applied to monitoring environment parameter of warehouse,special vehicles and ships,etc.