一种新的模糊对称散布子空间的鉴别分析算法

提出一种模糊对称散布子空间的鉴别分析算法.首先通过构造对称散布子空间模型,分别获得类内和类间散布矩阵的一组子空间;其次引入了一种松弛归一化条件的模糊鉴别分析算法,根据每一个样本的隶属度对散布矩阵重定义所做的贡献,将它融入到特征抽取的过程中,从而得到完整有效的模糊特征向量集,解决了传统LDA方法中的最终特征维数受类别数限制的问题.在NUST603和ORL人脸数据库上的实验结果验证了该算法的有效性.     

有标记的文本聚类方法研究

聚类分析是一种模式识别无监督的分类方法。对于根据类别先验知识已经分类的文本,提出一种有标记的文本聚类分类方法。这种方法是在模糊聚类算法基础上进行了改进,通过有标记的文本样本,利用模糊聚类算法提取分类规则,然后用模糊推理方法进行分类的一种算法。文中讨论了此算法的具体数学模型,给出了算法流程。并通过实验验证了这种聚类方法是一种有效的文本分类手段。     

支持向量机的水声信号分类识别

研究水声信号识别特征的提取,在此基础上采用支持向量机理论,提出了一种水声信号的分类识别算法.该算法选取两类水声信号,提取它们的混沌特征值关联维数和h2熵作为目标信息,每类信号各提取32组数据,取两类水声信号各8组数据作为训练样本,训练支持向量机,其它样本用于验证.结果表明,支持向量机的分类算法能实现对目标的有效分类,分类效果较好,比较适合小样本、非线性分类.     

SVM在合成孔径雷达图像目标识别中的应用

提出一种采用Zernike矩和支持向量机SVM结合对SAR图像中的舰船目标类型进行分类识别的算法。此算法首先对SAR舰船切片图像进行预处理,再采用Zernike矩提取SAR舰船图像切片的旋转不变特征算子;然后,利用支持向量机的方法对目标样本进行训练构造分类器,并采用"一对一"多类方式实现多类舰船目标的识别。最后,仿真建立3类舰船三维模型,并利用本文算法进行分类识别,实验结果表明本文算法能够有效识别舰船目标。     

基于核的四重子空间的LDA特征抽取方法

模式分类在面临非线性高维数据下的小样本问题时通常十分困难.文中提出了一种核的四重子空间学习(KFS)方法.首先通过构造基于类内和类间散布矩阵的混合鉴别准则,获得分布在各子空间中降维样本的最优鉴别信息.其次,通过向量点积,核鉴别分析方法(KFD)成为一种有效的抽取非线性鉴别信息的算法,在此基础上,提出了基于核的四重子空间鉴别分析算法,从而有效解决了非线性小样本问题的特征抽取.在ORL和Yale人脸库上的实验结果验证了该方法的有效性.     

基于支持向量机的典型船体结构裂纹损伤模式分类研究

为了识别典型船体结构裂纹损伤,提出基于支持向量机(SVM)的分类方法,采用固有时间尺度分解(ITD)和奇异值分解(SVD)方法对振动信号进行特征向量提取,得到训练样本和验证样本数据,应用SVM算法对训练样本数据进行正确的分类。为评估SVM分类准确性,引入BP神经网络算法进行对比分析,2种算法对验证样本进行分类预测,结果证明SVM方法对小样本试验数据进行模式分类具有更高的准确率。对十字加筋板的损伤模式进行分类研究,可对船体局部结构的维修和管理提供更好辅助决策支持。     

基于LDA-GA-SVM的船舶电力推进系统故障诊断

在船舶电力推进系统发生故障时,进行快速准确诊断对于船舶航行的安全性至关重要。文章针对电力推进系统中永磁同步电机的常见故障,提出基于线性判别分析(LDA)与遗传算法(GA)优化的支持向量机(SVM)相结合的船舶电力推进系统故障诊断方法。以"烟大轮"作为研究对象搭建故障仿真模型,以此为基础生成故障数据。运用小波包算法结合LDA算法提取故障数据中的特征向量,再利用经过GA优化后的SVM模型对故障特征向量进行分类。分析仿真验证结果,与未优化的SVM模型对比,GA-SVM具有更高的故障诊断准确率。     

海量船舶移动网络流量数据分析处理

船舶移动网络迅猛发展,逐渐成为航运领域的重要组成部分,同时,带来海量移动网络数据,如何承载船舶移动网络海量数据分析业务是航运领域研究的重点。本文研究网络流量数据分析系统和数据预处理技术,提出了模糊聚类算法和朴素贝叶斯分类算法。聚类算法用于分析用户和流量特征,分类算法用于对海量数据进行分类。     

基于LDA的潜艇机械噪声识别算法研究

通过选取一定数量的潜艇机械设备噪声信号作为训练样本,利用线性判别分析算法(LDA)对噪声信号建立识别分类模型,然后将待测信号与已知信号库(机械设备正常工况下的噪声信号和所有已知故障情况下的噪声信号)中所有信号分别投影到识别分类模型上一一进行比对,确定潜艇机械噪声的类别.论文使用噪声模拟信号进行了相关实验,结果表明该方法能够比较准确的达到识别分类的效果.     

多媒体环境下船舱监控视觉图像敏感区域标注算法

在船舱监控视觉图像的敏感区域标注中,针对敏感区域聚类标注算法准确率较低的问题,在多媒体环境下,提出了一种船舱监控视觉图像敏感区域标注算法。使用视觉注意模型计算各个区域的敏感度,对敏感区域进行检测。利用K-NN聚类算法对图像样本进行聚类,对出现频率最大的样本类别进行标注。利用图像的SIFT特征对图像的特征点与梯度进行描述,得到敏感区域图像特征后,根据值的大小,排序所有未标注的图像标注词,实现了船舱监控视觉图像敏感区域标注算法。为了检测该算法,利用敏感区域聚类标注算法与该算法进行敏感区域标注准确率的对比实验,证明了船舱监控视觉图像敏感区域标注算法的可行性与准确率。     

基于SVM-BP集成学习的舰船蒸汽动力系统故障诊断

传统故障诊断算法用于舰船蒸汽动力系统非均衡类样本问题存在准确率低且误分类的情况,本文提出一种基于支持向量机-BP神经网络集成学习的故障诊断模型。使用主层次分析法降低原始数据集的特征维度以改善数据量之间的冗余问题,然后设计3个并行的支持向量机分类器进行故障诊断,将分类器的结果数据融合作为BP神经网络的输入,进行二次诊断,得到最终的结果。用仿真平台采集的样本数据进行验证并重复运行30次获取结果,最终模型平均召回率为84%、平均准确率为95.04%。对比传统诊断算法及常用集成算法,该方法的准确率以及少数类样本的召回率明显高于其他诊断方法。     

基于ART2模型的造船系统中间产品成组分类研究

基于ART-2神经网络分类器算法是在自适应共振理论的基础上改进而来的,该方法能够对造船中间产品的特性分析样本进行分析判断,实现输入数据的自动分类与识别.提出了中间产品成组特性分析的模型,并对神经网络结构和改进的算法作了详细介绍.实验证明分类的效果比较准确,并可对同族产品的相似程度加以控制,使分组更加合理.     

一种基于改进型KNN算法的文本分类方法

KNN算法是比较适合于文本分类的一种分类算法,但由于其计算复杂度会随着训练集规模的增加而线性增加,从而限制了它的实际应用效果。通过改变对近邻点的搜索策略,提出了一种改进型的KNN算法。该算法在对最近邻的选择过程中,放弃传统算法中遍历所有样本的做法,而是通过逐渐逼近的思想来寻找最近邻点。实验证明,该方法在保持和传统的KNN算法几乎一样的精度性能前提下,可以明显降低算法的计算复杂度,降低时间开销,取得了较满意的结果。     

海上雷达通信数据特征实时监测算法研究

传统船载雷达通信数据检测算法存在小范围样本数据监测准确率低,究其根源在于算法对小样本数据特征计算能力不足,无法精准提取小样本特征。为此提出基于大数据分析的船载雷达通信数据特征实时监测算法,算法由2种计算子算法构成。首先,引入MIFS小样本特征滤除算法,对雷达数据内小样本周边数据进行滤除计算,提升小样本特征清晰度;其次,引入大数据IDWPA遗传编码特征算法,利用大数据分析能力对小样本数据进行遗传模型建力计算,准确抓取小样本特征,完成整套算法计算;最后,通过仿真实验证明提出算法能够有效解决传统算法特征计算力不足,监测准确率低的问题。     

一种改进的基于密度和网格的高维聚类算法

提出了一种改进的基于密度和网格的高维聚类算法,并对算法有效性进行了验证.该算法通过减少样本点数量的方法达到减少稠密子空间数量.在发现高维稠密子空间时,对样本库进行精简.这些样本点的求得能有效减少求解最小聚类的时间复杂度.     

大尺度声纳图像目标自动分类方法研究

针对大尺度海底声纳图像l中小目标的自动识别问题,提出了一种基于分形维探测与纹卵特征卡结结合的目标自动分类算法。该算法采用分形维探测方法实现尺度变换,并在此基础上利用基于灰度共生矩阵的纹理特征描述目标特性,最后采用SVM算法解决图像声纳小目标识别中小样本,非线性及高维的现实难题向实现分类。实验结果表明,此算法在对解决大尺...     

基于半监督模糊聚类的入侵检测技术

针对当前入侵检测技术检测率较低、误报率较高,特别是难以检测新型入侵的不足,通过研究基于机器学习的异常入侵检测系统,提出了一种基于半监督模糊聚类的异常入侵检测算法SFCA(Semi-supervised Fuzzy Clustering Algorithm).算法通过加入数据之间的相关信息,同时引入代价函数来平滑目标函数,降低其对孤立点数据的敏感程度.通过利用少量的标记样本,生成用于初始化算法的种子聚类,然后辅助聚类过程.实验表明,与FCM(Fuzzy C-means)聚类算法相比,SFCA算法具有较高的性能.     

基于SVM的2PTMC多分类算法在船舶柴油机故障诊断中的应用

文章针对船舶柴油机故障特征变得越来越复杂,且大量的故障样本难以获得的状况,引用基于小样本的支持向量机算法(SVM)分类器。采用基于SVM的2PTMC算法,该方法根据故障优先级的不同,将不同类故障逐层分类,相比于传统的一对一(OVO)和一对多(OVA)多分类策略,该方法具有模型简单、重复次数较少的优点。文章构建了一个四级SVM分类器,结果表明,该方法适用于船舶柴油机故障分类。     

基于支持向量机的液压调节器多类故障辨识

针对目前故障诊断中故障数据样本获取及特征提取困难的问题,分析了液压调节器的4种典型故障,建立了基于支持向量机的多类故障分类器,并直接将少量的时间序列信号作为分类器的输入。实验结果表明,在小样本情况下,不必对信号预处理以提取特征,该分类器便可实现液压调节器的多类故障分类,证明该方法是有效、可行的。     

线性预测编码和支持向量机在目标识别中的应用

针对利用船舶辐射噪声进行水下目标识别的问题进行研究,提出一种基于线性预测编码(LPC)倒谱系数和支持向量机(SVM)的船舶目标识别方法。该方法通过对捕获到船舶辐射噪声进行LPC倒谱分析,实现各信号分量及信道的分离,以提取其LPC倒谱参数。再采用支持向量机技术处理多类水下目标的非线性、小样本的识别分类。最后,利用仿真得到的几种水下目标辐射噪声进行本文算法试验,证明本文算法是有效的,并取得较高的识别准确率。