支持向量机在路面评价中的应用

提出了基于支持向量机的水泥路面性能评价模型,结合湖南未宜（耒阳-宜章）高速公路水泥砼路面检测数据进行评价并与传统模型进行对比,结果表明,应用支持向量机分类模型对路面进行评价能更好地弥补传统模型的不足,评价结果更加符合事实。     

基于支持向量机的沥青路面使用性能评价

路面使用性能决定了路面维修养护的方法。但沥青路面使用性能4个指标：PCI、SSI、SRI和IRI中路面状况指数检测困难。支持向量机是具有严格统计学习理论的新型学习方法。它对解决小样本非线性等问题具特有的优势。基于支持向量机理论,分析沥青路面使用性能4个指标间的关系,建立了SSI、SRI、IRI实测数据对PCI的预测模型,获得了令人满意的预估效果。结果表明,支持向量机是沥青路面性能评估的简单有效的方法。     

基于支持向量机的物流配送中心选址决策

建立了选址决策的模糊评价矩阵,应用支持向量机方法(SVM)来处理数据,进行物流配送中心的选址决策。支持向量回归机根据所提供的数据,通过学习和训练,找出输入与输出的内在联系,从而求取问题的解,而不是根据经验知识,因而具有自适应功能,能弱化指标权重确定中人为因素的影响。与传统方法相比较,有较好的泛化能力,能较客观地对多个选址方案的优劣进行评价。最后,引用实例说明利用支持向量回归机完成评价工作的全部步骤。     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

基于支持向量机的动力电池故障诊断

电池故障诊断是电池管理系统中一项十分重要的技术。针对电池故障和电池输出状态量之间不确定的关系,采用模糊逻辑可以对模糊关系进行准确描述。选用合适的隶属度函数来表示输出的电压、电流信号,用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系,生成模糊数据库,用支持向量机对数据进行训练和测试,由结果可知该方法有较高的准确性。     

基于支持向量机的车辆自动分类方法

提出一种基于支持向量机(Support Vectir Machine，SVM)理论的车辆分类方法，通过CCD摄像机采集标准车辆图像，由边缘检测算法获取图像中的车辆特征数据长度和宽度作为训练样本，离线训练SVM，得到分离器，然后将测试车辆的特征数据作为测试样本，根据本文提出的分类方法，通过离线获得的分类器对车辆类型进行判决，从而为交通参数的准确检测提供依据。实验表明SVM在有限训练样本情况下具有良好的泛化能力。     

基于支持向量机模型的深基坑变形预测研究

支持向量机是近年来在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.将支持向量机用于基坑变形预测,根据基坑位移的实测时间序列资料,建立基坑位移与时间的关系模型.将实际基坑工程监测资料作为学习训练样本和测试样本,将模型计算结果与实际监测值进行对比分析、研究....     

基于支持向量机的水泥抗压强度预测

利用支持向量机结构简单、学习性能出色和较强的推广性等优点,通过对已有实例样本的学习,建立了水泥28d抗压强度与其各影响因素之间的高度非线性映射关系,然后用样本学到的新关系预测新的水泥抗压强度,并将预测结果与传统回归分析、神经网络预测结果进行了对比。研究表明,与传统的方法相比,支持向量机方法精度较高、相对误差小,为预测水泥28d抗压强度提供了一条新途径。     

基于支持向量机的车牌字符识别

支持向量机(Support Vector Machines,简称SVM)能够有效地解决小样本学习、非线性及高维模式识别等问题。对此提出了在无特征提取情况下基于SVM的车牌字符识别方法,通过实验选定二次多项式作为核函数,并将基于SVM的车牌字符识别与基于BP神经网络的车牌字符识别进行了实验对比。结果表明,在训练样本较少的情况下,该系统具有较高的识别率和识别速度,并具有很好的分类推广能力。     

基于混沌时序最小二乘支持向量机的汽油机瞬态空燃比预测模型研究

针对由氧传感器构成的瞬态空燃比反馈控制系统无法满足实时性要求的问题,提出了基于混沌时序最小二乘支持向量机(LS-SVM)的瞬态空燃比预测模型。对试验采集到的一维空燃比数据利用相空间重构技术构造多维空间数据,恢复空燃比时间序列的多维非线性特性,然后采用LS-SVM对重构后的数据进行训练及预测,得出预测结果。仿真结果表明:与Elman神经网络预测模型及前馈BP神经网络预测模型相比较,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度。     

经济圈公路网络适应性评价分析研究

在分析经济圈公路网络建设与区域社会经济发展的作用机理的基础上,建立了经济圈公路网络适应性评价指标体系,并提出了一种基于数据包络分析(DEA)的加权灰色关联分析评价方法。该方法综合了DEA和灰色关联分析两种方法的优点,以灰色关联分析为中心模型,通过复合DEA模型来确定每一个被评价对象(决策变量)中各点关联系数的权重向量,从而计算出相对最优的关联度,实现对评价对象客观的优先排序,避免了采用单一评价方法易受评价主体主观影响的缺点。最后通过我国长三角经济圈公路网络的适应性评价实例,对评价方法进行了初步验证,有效可行。     

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于逐类组合支持向量机的边坡稳定性预测研究

首次采用逐类组合支持向量机（TCSVM）方法,用于解决边坡稳定性预测的问题。模型是先用支持向量分类机（SVC）对边坡状态进行判识,然后用支持向量回归机（SVR）建立边坡安全系数预测模型,再用建好的模型对未知边坡的稳定性进行判别和安全性系数预测。利用模型对71个边坡实例中的61个进行学习,10个进行检验。结果表明:TCSVM对边坡安全系数的预测结果均优于SVM和PCA-SVM。表明逐类组合支持向量机方法提高了安全性系数预测的准确率,对边坡稳定性研究具有积极意义。     

基于支持向量机的高速公路意外事件检测模型

为建立快速高效的高速公路意外事件自动检测系统,提高意外事件救援效率,就高速公路意外事件检测中的关键技术进行了研究。在剖析现有模型特征的基础上,引入支持向量机理论,建立了基于支持向量机的高速公路意外事件检测模型。利用自主开发的EAD-Simulations系统所建立的数据库,对模型进行了仿真试验,分析了不同核函数对检测性能的影响,研究了单侧输入与双侧输入、不同输入特征因素组合的性能指标。结果表明:与California 8#算法相比,该模型检测率提高了179%,误检率降低至0.50%,平均检测时间缩短了81%;同时得到了上游占有率与流率组合的最优输入特征。     

基于机器学习的汽车后视镜气动噪声预测方法

针对传统风洞试验、数值模拟等方法计算噪声值费时长、资源消耗大等问题,提出一种基于机器学习的气动噪声预测方法。以后视镜特征参数为数据集输入,对不同特征参数下的后视镜模型进行瞬态流场与声场联合仿真,将计算得到的总声压级值作为数据集输出,分别用不同数量的样本数据训练支持向量回归机,通过建立的预测模型对同一测试集进行预测得到总声压级预测值。结果表明,基于支持向量回归机的预测方法能得到与计算值误差较小的预测结果,在较少样本数据支撑下也具有较高的预测精度,可用于汽车后视镜气动噪声的预测。     

基于粗糙集与支持向量机的推土机故障诊断

提出了一种基于粗糙集理论和支持向量机算法的推土机发动机故障诊断方法。首先利用粗糙集理论对故障诊断决策系统进行约简,消除样本噪声和冗余,然后在此基础上设计支持向量机多分类器,进行故障检测分类。这样,可以有效减小SVM训练的数据,加快多分类器的处理速度。实验结果显示它能提高故障诊断的准确性和效率。     

基于支持向量机的桥梁挠度传感器自适应修正方法研究

通过分析连通管式挠度测量原理,对挠度修正方法进行了改进。为避免现有方法需要对初始状态参数求取,引入了支持向量机模型以求得挠度传感器更换后的理论值,进而得到挠度偏差Δf。本方法不受温度及工况的限制,具有一定的自适应特性。多次实验结果显示现有方法和本方法的均方误差分别为0.785312和0.329756,说明本方法明显优于现有求均值的方法。