支持向量顺序回归机的线性规划算法

支持向量顺序回归机是标准支持向量分类机的一个推广,它是一个凸的二次规划问题。本文根据l1范数与l2范数等价关系和优化问题的对偶原理,把凸的二次规划转化成线性规划。由此提了支持向量顺序回归机的线性规划算法,进一步用数值实验验证了此算法的可行性和有效性。并与支持向量顺序回归机相比,它的运行时间缩短了,而且误差i不超过支持向量顺序回归机;     

基于类神经网络模型的电路自主修复方法

为进一步提高电子系统在恶劣环境下的生存能力,对利用演化硬件实现电路自主修复的方法进行了研究。首先,根据FPGA芯片与多层前馈神经网络的相似性,建立了一个可用于数字电路演化的门级电路模型,设计了专用的二进制列向量编码方法;然后,给出了实现电路自主修复的工作流程,探讨了进行电路故障诊断和修复的途径,提出了快速重构与演化相结合的电路修复方法。Matlab仿真试验表明：基于类神经网络模型的遗传算法较适合进行演化修复操作;修复效果分析表明：快速重构与演化修复相结合的修复方法比单纯依靠演化修复更为便捷。     

基于偏最小二乘特征提取的支持向量机回归算法

为了提高SVM的建模质量,简化建模难度,提出了PLS-SVM组合回归建模方法.该方法通过PLS对样本数据进行降维、去噪以及消除共线性处理后,再进行SVM回归建模.不仅保持了SVM良好的模型性能,而且使SVM具备特征提取功能.实验结果表明,该方法是可行的,采用此法构建的SVM模型,泛化性能优于没有特征提取的SVM.     

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.     

一种GMM-SVM混合说话人辨认模型

文中提出了一种GMM和SVM混合说话人识别模型,在特征参数域和概率得分域对两种模型进行了融合。混合模型结合了GMM和SVM各自的优势,使SVM的概率输出兼顾各说话人模型内部和模型之间的信息,并有效解决了SVM训练算法复杂,难以处理大量样本的问题。采用TIMIT数据库进行了说话人辨认实验,结果证明本文提出的GMM-SVM模型比传统的GMM模型和SVM模型具有更好的辨识性能。     

用于多类分类的层次式支持向量机

针对支持向量机存在的训练数据量大导致的训练时间过长和训练数据不平衡导致的分类结果会向训练数据多的类倾斜等问题,提出了适合于多类分类的层次式支持向量机。在训练过程中,首先折衷考虑各类之间的距离和各类的训练数据长度,据此将训练样本分为距离较远且其长度基本平衡的2类,然后逐层进行训练,最终形成二叉树分类结构。仿真实验证明,该方法能够有效地缩短训练和分类时间,且对多类分类中的数据不平衡问题有一定的效果。     

支持向量机在柴油机技术状况评估中的应用

介绍了现有的柴油机技术状况评估方法,分析了这些方法的局限性和支持向量机在处理小样本、非线性、高维数等方面的优势。提出了基于支持向量机的柴油机技术状况评估模型。确定了能够表征柴油机技术状况变化的特征,并通过实车试验提取这些特征;构建了基于支持向量机的柴油机技术状况评估模型,并对部分试验车辆柴油机进行了评估。结果证明：支持向量机在装甲车辆柴油机技术状况评估中的应用是可行的。     

基于支持向量机的威胁判断模型

目标威胁判断是防空作战中一项重要内容,在建立目标威胁模型时,首先要挑选特征参数,分析了影响威胁度的若干因素.这里采用Rough理论中知识约简方法选择目标的特征参数;支持向量机是一类新型机器学习方法,由于其出色的学习能力,该技术已成为当前国际机器学习界的研究热点,利用支持向量机建立了威胁判断模型,给出了实例和解决此问题的支持向量机源程序.通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.     

双处理器的图像跟踪系统硬件平台设计

通过分析装甲车车载图像跟踪系统的任务和应用环境,设计了以TMS320C6202数字信号处理器(DSP)为核心,结合PC104嵌入式计算机的双处理器并行处理硬件平台;详细介绍了利用大规模FPGA芯片实现系统总线仲裁和逻辑控制的设计思想;并给出了体现系统智能化程度的--DSP模块的程序智能加载技术以及其实现方法.实际系统测试表明该硬件平台能满足图像跟踪系统的实时性、可扩展性、稳定性的要求,为装甲战车的数字化改造提供了可靠的保障.     

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。