判决特征选择的快速人脸识别算法

为了在确保识别精度的条件下提高人脸识别的速度,提出了判决特征选择算法(SVM-DFS).针对多类分类问题,判决特征选择算法根据统计学习理论使用支持向量机来实现特征选择,根据全概率定理把特征选择和多类分类集成到一个统一框架.在UMIST和FERET人脸数据库上的实验表明:SVM-DFS算法可以用来挑选对分类最有用的特征,这些挑选出来的特征具有明显的物理意义.使用判决特征选择方法不但可以加快分类器的响应速度,而且不降低分类器的泛化能力.     

自组织特征映射网络在目标分类识别中的应用

为了在日趋复杂的空战环境中准确分析出目标的类型,以达到辅助决策之目的,采用自组织特征映射网络来对目标进行分类识别.首先提取影响目标识别的类特征,然后对其预处理.在此基础上建立SOM网络目标识别模型,并利用SOM网络算法实施无监督的自组织学习.在学习的过程中,通过不断调节网络节点间的权向量,来实现目标聚类.最后,通过仿真验证了该方法在目标分类识别中的可行性和实用性.     

双机合作下的远程空空导弹攻击技术

探讨了双机合作条件下远程空空导弹的攻击技术.首先描述了双机合作下时间对准的方法和数据延时的处理,然后给出了空间对准的具体坐标转换公式,最后以基准制导坐标系为基础建立了无线电修正指令的矢量图,用矢量方程法推导了无线电修正指令的形成过程.     

基于线对线突然短路的同步电机瞬态参数辨识

准确地辨识同步电机参数,是分析电力系统运行和控制系统设计的前提.利用最小二乘或卡尔曼滤波等方法辨识电机三相同时突然短路试验数据,是传统电机参数辨识的主要方式.受同步电机三相同时突然短路的可操作性和电机参数模型的强非线性等因素的影响,电机瞬态参数难以准确测量.利用改进的小波变换和人工神经元网络辨识参数的新方法,结合容易实现的同步电机线对线突然短路试验,辨识得到了三相同步电机的瞬态参数,有效提高了电机参数的辨识精度.仿真试验表明,该方法是有效的.     

雷达智能BIT故障预测方法研究

在总结了几种比较常见的故障预测方法的基础上,介绍了基于统计学习理论的支持向量回归算法。提出将智能遗传算法用来对支持向量回归模型的参数进行优化选取,并详细介绍了模型参数的选取过程,避免了参数的盲目设置。将建立起来的模型应用于雷达智能BIT故障预测领域,并以一组智能BIT状态监测的数据对预测模型进行训练和验证,实验结果表明支持向量回归模型能有效地对雷达故障进行预测。     

基于灰度共生三角阵的炮膛图像分析

为解决炮膛疵病图像粗分类时缺少聚类和分类特征的问题,引入了灰度共生三角阵（Grey Level Co-occurrence Triangular Matrix,GLCTM）的方法。通过对炮膛样本图像GLCTM特征参量的计算与分析,确定了GLCTM的参数;根据特征参量的相关性分析结果,选择了其中7个作为炮膛图像的特征参量。样本图像的实验结果表明,炮膛图像的GLCTM特征参量取值与图像灰度的直观特点之间存在对应关系。     

自适应模糊PID控制在空气取水装置中的应用

传统PID控制应用在具有较大滞后性、时变性和非线性系统时,参数一旦整定就不能自动调节,因此,系统随条件变化自动调节的能力不强,控制效果不佳.针对这种情况,将模糊控制和常规PID控制相结合,提出一种基于模糊控制规则的自适应模糊PID控制方法,实现了PID参数在线实时整定,并将其应用于空气取水装置蒸发器过热度控制中.通过Matlab仿真,与常规PID控制仿真曲线比较表明,该控制方式具有动态响应快,超调量小,控制精度高等特点,在研制的空气取水装置中取得了较好的控制效果.     

一种新的Gabor小波支持向量机人脸识别算法

提出了一种新的基于Gabor小波特征重组的支持向量机人脸识别方法。该方法首先计算5个尺度和8个方向的Gabor小波变换结果,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个新特征矩阵,分别利用PCA方法降维去噪,最后构造40个支持向量机分类器并采用选票决策机制决定识别结果。实验结果表明,该方法不仅拓宽了主元分析法中累积方差贡献率可选范围,并在一定程度上解决了核参数选择难的问题,同时取得了理想识别效果。     

直流衰减静测法局部辨识同步电机参数研究

研究了用于局部辨识同步电机参数的直流衰减静测法,介绍了直流衰减静测法的试验过程和局部辨识的概念,建立了三相同步电机静态直流衰减试验的数学模型,利用最小二乘法实现了参数的辨识,最后以某参数已知的具体电机为例,局部辨识了该电机的d轴参数.     

一种支持向量回归的局部邻域稀疏化方法

调整高斯核函数参数可以改变其VC维,通过密度聚类算法发现并分离全局中非线性复杂度不同的局部特征,以支持向量比率为优化指标确定满足局部稀疏条件的核函数,从而达到优化核函数选择以提高整体回归稀疏性的目的。