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.     

基于鲁棒多元LS-SVM的齿轮箱故障诊断方法

多元LS-SVM算法可以直接用于多分类模式识别问题,通过对该算法的误差变量进行加权,消除了训练样本中异常值或非高斯噪声的影响,增强了多元LS-SVM算法的鲁棒性。然后,利用改进算法建立特征向量与故障模式之间的映射关系,得到齿轮箱故障诊断模型。仿真表明:与传统BP神经网络相比,鲁棒多元LS-SVM算法对齿轮箱的故障诊断的精度更高,抗干扰能力和鲁棒性更强,是一种在齿轮箱故障诊断中值得推广和采用的算法。     

模糊识别和随机森林算法在柴油机振动信号状态识别中的应用

针对模糊识别算法中,样本特征向量中各参量(分量)对状态分类的贡献权重难以确定的问题,提出了利用随机森林算法对特征参量的重要度评估结果作为特征权重的方法。通过对柴油机台架试验振动信号的跟踪分析,获得了柴油机在磨合期、100摩托小时、200摩托小时、300摩托小时及400摩托小时5种不同使用期(典型状态)的75个振动信号样本,然后计算出各类样本在幅域、时域和频域的特征参量,利用随机森林算法进行特征选择,确定4个重要特征参量及其权重,用统计方法得出其隶属度函数,最后根据评价向量对样本进行识别,识别准确率达到94%以上。     

TMS320C80:每秒20亿次操作的DSP芯片

本文介绍了美国德克萨斯仪器（ＴＩ）公司最新推出的功能强大的高速数字信号处理芯片ＴＭＳ３２０Ｃ８０,该芯片的处理速度在室每秒２０亿次操作,与外部交换数据的速度为每秒４００兆字节,是目前处理能力最强的ＤＳＰ芯片。     

The Two Techniques of O. Henry''''s

O.Henry is the founder of American modern short story, What makes his stories enjoy most popularity is his own styles——(1)Reasonable artistic exaggreration. (2)Unexpected ending. In this article I emphatically comment its value in the two stories: The Romance of a Busy Broker and The Last Leaf. Up to Now there is still much in Henry's method that we can make use of beneficially.     

基于DGWO-SVM的气象环境下武器作战效能评估方法

实际环境中,各种气象环境要素对于武器装备的作战效能影响显著,对于武器装备的作战效能评估很困难。为提高在气象环境影响下的武器装备作战效能评估效率,提出一种基于强化首领决策灰狼优化-支持向量机（DGWO-SVM）算法的评估模型。建立一个支持向量机模型应用于作战效能评估中,结合强化首领决策能力的灰狼优化算法进行求解,对惩罚因子以及核函数参数进行优化选取,并将最终的评估结果与其他方法进行比对。实验结果表明,所提评估模型的准确率达到了98.39%,评估的误差结果更优于其他方法,具有更高的实用性和有效性。     

基于特征聚合的管制语音声纹深度识别方法

针对带有噪声的管制语音声纹识别问题,提出了一种基于特征聚合的声纹识别算法,能够在音频流中识别不同的管制员和飞行员的声纹特征。在经典的X-VECTORS算法的基础上,通过设计残差语谱图特征提取模块和全局可微的NetVLAD特征聚合模块,构造了端到端的说话人识别神经网络训练框架;最后在实际管制语音数据集上对各种说话人识别方法的精度进行了对比分析。实验结果表明,相较于传统的X-VETCORS方法,提出的基于声纹聚合的说话人识别方法具有更高的识别精度。     

粗糙集和FSVM结合的雷达信号识别法

结合粗糙集的属性约简和支持向量机的分类机理,研究了一种混合算法,即应用粗糙集的属性约简过程作为预处理器,可以把冗余的属性及值和冲突的对象从决策表中删去,但不损失任何有效信息;由于传统支持向量机在多分类问题时出现的不可分区域现象,使用了模糊支持向量机进行后面的分类建模和预测,使得训练时间大大缩短和分类性能显著提高。将这种混合方法应用到雷达信号识别中,仿真实验证明该方法是有效的。     

基于特征空间中类别可分性判据的特征选择

针对支持向量机首先要将数据通过一个非线性函数映射到高维特征空间,从而在特征空间中改变了数据的分布,因此在设计支持向量机分类器时有必要在特征空间进行特征选择,而非原空间。提出在特征空间中利用类别可分性判据进行特征选择,将类内类间距离引申到特征空间来计算可分性判据。通过仿真,该方法能够有效地在特征空间进行特征选择。     

基于二进制传感器网络的目标运动方向估计方法

介绍了方向估计二进制传感器网络(DE-BSN),提出基于统计学习解决目标运动方向估计的思路,并给出了使用线性判别分析法(LDA)和支持向量机算法(SVM)的估计方案。仿真分析了在不同传感器节点密度时上述算法的精度、和在节点出现错误的情况下算法对目标方向估计的可靠性。实验结果表明上述算法均可实现高精度的目标方向估计,并都具有一定的鲁棒性,各自的优势分别在于:LDA的计算复杂度较小,而SVM的估计误差较小。