一种支持向量机增量学习淘汰算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。增量学习是解决这一难题的思路之一。分析了新增样本加入训练集后支持向量集的变化情况,提出了一种基于密度法的支持向量机增量学习淘汰算法,淘汰了对最终分类无用的样本,在保证测试精度的同时减少了训练时间。实验仿真证明这种算法是有效的。     

小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。     

联合二代Bandelet和Wavelet对图像进行分层压缩

一幅图像可以分解为匀质结构图和几何纹理图两个分量.基于这种思想,提出了一种使用二代Bandelet和小波对图像进行分层压缩的有效算法.首先,使用全变分方法把原始图像f分解为u和v两部分,其中u代表f中的结构分量,v代表纹理分量;对u进行小波变换,对v进行二代Bandelet变换.采用了自顶向下的四叉树分解算法,优化了二代Bandelet的四叉树建立过程.实验结果表明,该压缩方法的重建图像在视觉效果和客观SSIM值两方面均优于JPEG2000和Bandelets.     

基于轮廓特征的空间目标识别算法

高分辨力单脉冲雷达通过对三个通道回波成像可以获取各个散射中心的方位角和俯仰角,结合距离信息就可以得到各个散射中心在垂直于雷达天线轴的平面上的投影,形成方位-俯仰二维像.由于卫星的尺寸通常大于碎片的尺寸,因此卫星的方位-俯仰二维像的轮廓面积较大.提出了基于轮廓特征的空间目标识别算法,首先通过高分辨力单脉冲雷达对目标进行方位-俯仰二维像成像,然后从方位-俯仰二维像中提取目标轮廓,最后根据轮廓面积特征对卫星和碎片进行识别.经过计算机仿真实验,该算法取得了比较好的识别效果.     

解析美国大学TESL硕士培养的主要课程与设置理据——以曼卡托明尼苏达州立大学为例

把英语作为第二语言的教学是20世纪60年代在美国兴起并逐步走向独立的科目,它在综合相关专业的同时正在朝专业化方向发展。近年来其硕士层面的教育为全球培养了大量合格的中小学英语教师,取得了较好的成绩。本文以曼卡托明尼苏达州立大学英语系为例,并结合笔者在该系攻读TESL硕士学位时的经历,解析其主要课程及设置理据。     

永磁直线同步电机矢量控制系统建模与实现

针对永磁直线同步电机(PMLSM)的特点,建立PMLSM在dq两相坐标系下的数学模型。介绍了永磁直线同步电机矢量控制系统并给出了硬件和软件的设计思想。通过对控制电流以及电机位置的实验分析,验证了所研究的基于矢量控制的永磁直线同步电机矢量控制方法的有效性。     

基于支持向量机的彩色图像恢复新方法

引起图像退化的因素众多,因而难以用一个统一的方法来进行恢复处理。鉴于图像的像素和各颜色分量通道间本质上存在某种相关性,以及以支持向量机为核心的统计学习理论具有较好地解决小样本、非线性、高维数问题的能力,提出了一种新的空域图像恢复方法,并通过对来自于待处理图像本身的训练样本的学习,构造自适应的回归插值函数;然后基于该函数对图像作有选择的修改,从而达到图像恢复的目的。实验表明,该方法是有效的,并且具有较好的泛化性能。     

一种改进的小波软阈值去噪方法性能分析

分别利用软阈值函数和修正软阈值函数对局部放电仿真信号进行小波去噪分析。仿真结果表明,修正软阈值函数在优于传统软阈值函数去噪性能的基础上,更具有灵活性,仅通过调节函数的可变参数,就可以获得具有最大信噪比和最小均方误差的去噪信号。     

(修，2撤3)关键几何参数对超声速膨胀器流场和性能影响的数值研究

为了揭示关键几何参数对超声速膨胀器流动特性影响的规律,对3种隔板安装角和5种出进口面积比超声速膨胀器设计工况下的流场进行了数值研究。结果表明：随隔板安装角增加,斜激波向出口迁移,斜激波强度略有降低,超声速膨胀器膨胀比减小,效率提高;随出进口面积比增加,流道内高速区显著扩大并逐渐靠近压力面,斜激波增强,出口流动损失增加,超声速膨胀器膨胀比增大,效率降低。为获得综合性能较优超声速膨胀器结构,需在较小出进口面积比和较大隔板安装角之间做折衷选择。     

纹理影像特征选择及K-means聚类优化方法

Gabor变换和K-means算法是最为常用的纹理分析方法。然而,采用Gabor变换得到的纹理特征向量具有较高的维数,影响算法的运行效率;K-means算法也易受初始类中心的影响而导致分类精度下降。因此,通过Relief算法对采用Gabor变换所提取的纹理特征进行选择,得到合适的纹理特征子集。进一步采用差分进化算法,对K-means算法的聚类中心进行优化从而提高纹理识别精度和效率。实验结果表明:提出的方法所需用到的纹理特征向量的维数相对于原始特征集有大幅降低,较之基本的K-means算法,纹理识别的精度也有较明显的提高。