基于支持向量机的飞机备件需求预测

支持向量机是一种机器学习算法,在国外已广泛应用于工程实践领域。首先探讨了支持向量机回归预测模型的学习和预测机制,分析其中三个重要参数对算法的影响规律,得出一套定性的参数选择方法,然后将支持向量机引入到装备综合保障分析之中,构建了飞机备件智能预测模型,并对某型军用飞机备件需求进行了预测和分析,结果表明:基于支持向量机的备件需求预测是有效的、可行的。     

KPLS-SVM在缺失飞参数据估计中的应用

飞行参数的缺失给飞行事故调查工作带来了很大困难.将核的偏最小二乘法与支持向量机耦合,建立基于状态匹配的飞行参数估计模型可以较好地解决缺失飞参数据的估计问题.首先将初始输入映射到高维特征空间,进而利用偏最小二乘法在特征空间中提取对缺失飞参数据影响较强的得分向量, 最后将提取的得分向量作为输入建立支持向量机模型.既克服了输入变量间的相关性问题, 又降低了支持向量机的输入维数.仿真也说明了使用该方法估计缺失飞行参数的可行性和有效性.     

基于多极化多特征提取和SVM的目标识别方法

充分有效地利用全极化雷达目标高分辨一维距离像极化信息是雷达目标特征提取领域一个热点问题.提取全极化雷达目标高分辨一维距离像的极化特征、结合其能量聚集区长度以及中心距特征共同构成特征向量,采用支持向量机进行特征分类,从而提出了一种基于多极化多特征提取和支持向量机的目标识别方法.基于转台数据的实验结果表明,提出的基于多极化多特征提取和支持向量机的目标识别方法有助于获得较高的分类正确率.     

支持向量机动态多分类方法

针对支持向量机分类中存在盲区的问题,在分析多分类支持向量机构建方法的基础上,采用二叉树支持向量机,通过类型知识库动态更新,建立了二叉树支持向量机动态多分类模型;选取径向基函数作为核函数,给出了提高多分类模型性能的核参数和惩罚因子寻优遗传算法;以卫星整流罩空调系统表冷器控制单元为仿真实验对象,建立了传感器偏置故障、漂移故障、完全故障和精度下降故障的多分类模型,验证了提出方法的有效性。     

基于遗传算法与支持向量机的火炮内膛疵病分类方法研究

支持向量机能够较好解决小样本、非线性数据特征的多分类问题,适用于火炮内膛疵病的分类,但其性能依赖于其参数的选取;对基本遗传算法进行改进,使用自适应的交叉算子和变异算子,并应用于支持向量机参数优化;通过对火炮内膛疵病分类精度的对比研究,改进的遗传算法确定支持向量机优化参数的方法取得了良好的效果,验证了该方法对疵病分类的有效性。     

基于支持向量分类的装备完好性预测模型

对抗的战场环境和任务的变化，越来越需要装备战备完好性来保障作战行动。保持或提高装备战备完好性是装备保障的核心和中心工作。利用基于结构风险最小化的支持向量分类（Support Vector Classification，SVC）方法对装备的战备完好性进行了预测，提高了机器学习方法的预测能力。并以车辆装备发动机的技术状况数据为实例，建立了预测模型，通过参数选择，提高了模型预测的正确率、命中率等指标。结论表明：支持向量分类方法是预测装备战备完好性的有效方法。     

一种综合使用支持向量机和遗传算法的隐藏图像检测方法

提出了一种新的基于遗传算法和支持向量机的隐藏图像检测方法。用遗传算法进行图像特征选择，采用支持向量机作为分类器，将支持向量机的分类效果作为适应度函数值返回，指导遗传算法搜索最优的特征，移除图像的不相关特征和冗余特征，提高了学习效率。实验结果表明，与仅采用支持向量机分类但未进行特征选择的隐藏检测方法相比，本方法能有效地提升分类器性能。     

支持向量机的滚动轴承状态监测

提出了一种基于支持向量机的滚动轴承状态监测方法.该方法采用小波能量表征轴承信号的特征,采用支持向量机作为分类器构建支持向量机状态监测系统.仿真实验表明该方法具有很好的在线监测性能和分类性能,该方法对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.     

基于支持向量机的功率变换器开关管开路故障诊断

提出一种基于支持向量机的功率变换器开关管开路故障诊断方法。利用支持向量机建立分类模型,模型以相电流功率谱为输入量,7种故障状态为输出量,选用高斯核,使用基于二叉树分类器的分类算法。将诊断结果与基于BP神经网络的诊断结果进行比较,结果表明基于支持向量机的分类器在功率变换器开关管开路故障诊断中具有更高的准确率和更好的泛化能力。     

支持向量机的战场直升机目标分类识别

对基于支持向量机的战场直升机目标分类识别技术进行了研究,分别将谐波集(HS)频率和不同尺度小波子空间能量作为特征矢量,设计出一种基于支持向量机的直升机目标分类器,并将该分类器与kNN分类器和BP神经网络分类器进行分类对比实验.结果表明两种特征提取方法,都能很好地体现不同声目标之间的差异,SVM分类器相对于其他两种分类器具有更好的分类性能,目标识别率达到96%以上.