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.     

多分辨率建模航空武器装备体系对抗效能评估

根据多分辨率建模的思想,分析航空武器装备体系对抗的特点,提出基于多分辨率建模的航空武器装备体系对抗效能评估模型框架,通过体系对抗过程物理特性的分析提炼数学描述方法,基于主动元建模技术建立从高分辨率实体仿真模型的仿真元模型,探讨了对仿真元模型进行基于马尔科夫链的串联聚合和基于元胞自动机的空间聚合方法,提出效能评估多维矢量空间指标体系,研究结果对我军航空武器装备效能评估以及作战论证都具有一定的指导意义和参考价值.     

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。     

大椭圆航法及其导航参数计算

提出了基于地球椭球模型的大椭圆航法,采用解析几何中的空间向量分析,推导出了初始航向角、航程和偏航量的计算公式.算例分析表明,该公式可以解决航海中不同参考椭球下大椭圆航法的导航参数计算问题,航程计算精度高达10-3m.     

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.     

基于仿射近似的摄像机标定

针对直接基于透视投影模型的标定算法计算量大、结果不稳定的事实,提出一种基于仿射投影矩阵的标定算法。算法首先线性解算仿射投影矩阵,然后分解出部分参数。在假定主点坐标等于图像中心的前提下,解算出其余参数,再以重投影图像点残差和为目标函数,对所有参数进行优化,获得精确的摄像机模型参数,达到精确、快速、稳定的标定目的。大量的仿真和真实图像实验证明算法比传统算法更稳定。     

基于模拟退火算法的阵列模型有源校正方法

针对同时存在通道幅度相位不一致与阵列互耦的均匀直线阵列,提出了一种采用模拟退火算法的阵列模型校正方法.该方法使用多个辅助信源分时工作,根据子空间基本原理构造目标函数,采用模拟退火算法对幅相误差矩阵及互耦矩阵进行估计.利用该方法对均匀直线阵进行了计算机仿真与实测实验,仿真及实验结果证明了该方法是有效可行的.