基于支持向量机的城市快速路交通拥堵识别方法

首先提出一种基于交通流量-交通密度的二维空间下的交通状态分类方法,在此基础上,构建对拥堵状态和非拥堵状态识别的支持向量机分类器;其次,设计基于支持向量机的城市快速路交通拥堵识别方法的步骤;最后,以西安市南二环快速路采集的交通参数数据为例,对比验证了在不同支持向量机(SVM)分离器下本文提出的城市快速路交通拥堵识别方法的有效性.研究表明:SVM线性核函数分类器的识别正确率(识别正确率均值为91.65%)高于多项式核函数等其他核函数分类器,说明交通拥堵识别的具有良好的线性可分性;不同核函数分类器的识别正确率均高于90%,说明本文设计城市快速路交通拥堵识别方法具有良好的识别性能.     

基于遗传算法的改进AdaBoost算法在汽车识别中的应用

将遗传算法应用于以SVM为弱分类器的AdaBoost算法,产生了一种识别率高,泛化能力好的强分类器,本文称之为GA-AdaBoostSVM算法。该算法先训练多个支持向量机作为弱分类器,然后用AdaBoost算法将多个弱分类器组合成一个强分类器,在组合的同时采用遗传算法对各弱分类器的权值进行全局寻优。此算法特点在于:(1)传统的Ad-aBoost算法,对所有弱分类器的权值无法给出一个最优的组合,GA-AdaBoostSVM算法用遗传算法对弱分类器的权值进行全局寻优,得到的强分类器具有更高的识别准确率。(2)为提高强分类器的泛化能力,在训练弱分类器时,合理调整RBF核的参数,使各个弱分类器在准确率和差异性之间得到折中,从而提高整合后的强分类器的泛化能力。最后,通过试验与传统AdaBoostSVM进行对比,表明GA-AdaBoostSVM的优越性。     

基于支持向量机的夹紧力控制阀质量分类

提出了采用支持向量机对CVT夹紧力控制阀进行质量分类的方法.并设计了相应的提取夹紧力控制阀性能特征参数的试验方案与夹紧力控制阀SVM多类分类器.利用试验得到的性能参数对SVM分类器进行训练,然后分别使用训练成熟的SVM分类器与RBF神经网络分类器对夹紧力控制阀进行质量分类.结果表明,采用SVM分类器的分类准确率明显高于RBF神经网络分类器.     

基于免疫粗集属性约简的车辆故障诊断方法

针对故障诊断规则属性的复杂性,将粗糙集核属性参数的先验知识作为免疫疫苗引入抗体编码,以提高其在线学习及优化能力.将属性的分类近似质量作为适应度(目标)函数进行优化,在获取多个属性约简的同时,仍能快速地求得最小约简.把优化后的属性集作为支持向量机分类器的输入参数对故障样本进行训练与分类,提高了SVM故障诊断的能力.通过实验表明,该方法能快速、高效地对属性集进行数据压缩,有效提高了故障诊断准确率.     

基于SVM的道路路面性能评估分析与应用

针对道路交通路面性能的综合评价,利用支持向量机(SVM)来构建路面性能评价模型,选定路面状况指数、错台指数、平整度指数、脱空指数、抗滑性能指数作为评定指标,建立起优、良、中、差4个评价标准。对于评价模型中的线性可分样本,通过建立线性分类超平面,建立训练集的最优分类判别函数,通过引入非负松弛变量ξi保证正确分类且分离距离最大前提下寻找到有效的误差分类点。针对非线性分类超平面,引入核函数将非线性训练转化为可分的线性训练样本,并基于交叉验证法寻找SVM参数最优值。对于多类分类问题,通过"一对多分类器"来实现路面性能多值分类。通过实例验证表明:采用SVM的路面评价模型能够从多维角度实现对路面寿命评价和综合养护等的评价。     

基于ARIMA和SVM模型的沥青路面使用性能预测比较

通过构建时间序列ARIMA和支持向量机(SVM)模型对沥青路面的PCI值进行预测,并比较两种模型的预测结果,建立适宜的沥青路面使用性能预测模型。分别采用线性核、多项式核、径向基核和Sigmoid核函数构建SVM模型,根据十字交叉验证(Cross-Validation)方法确定核函数及其参数,对比不同核函数的PCI值预测误差精度。最后利用选取的多项式核函数SVM算法预测广东省普通国省道沥青路面使用性能。结果表明：采用多项式核、径向基核函数SVM算法的预测结果较ARIMA模型预测结果精度高。SVM算法中核函数对预测结果影响显著,4种核函数SVM预测模型中,基于多项式核函数模型预测精度最高,其预测沥青路面使用性能的平均绝对百分误差(MAPE)在1%以下,其次为径向基核函数,而Sigmoid核函数预测精度最低。采用线性核函数SVM算法预测结果与ARIMA模型预测结果接近,预测精度满足要求。     

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。     

基于进化集成分类器的铁路安全隐患智能分类

针对铁路安全事故隐患文本数据分类提出进化集成分类器模型.分析安全事故隐患数据特征,根据每一类安全事故隐患数据都有特征关键词的特点,运用T F-ID F方法提取文本特征并转换为向量.设计进化集成分类器模型实现流程.采用Bagging集成分类器将T F-IDF转换后的文本向量进行随机采样,训练若干个决策树基分类器模型,设计遗传算法编码机制、灵敏度设定、适应度函数及目标函数选择等关键步骤.根据遗传算法流程实现基分类器组合优化,将经过遗传算法进化的最优个体对应的基分类器参与Bagging投票分类,验证分类效果.通过对某铁路局供电接触网安全事故隐患文本数据实验分析,进化集成分类器模型在安全事故隐患分类的准确率相比于单个决策树分类器和Bagging集成分类器分类结果分别提升17.42% 和4.63%,证明设计的进化集成分类模型能够取得较好的分类效果,可应用于铁路安全事故隐患分类.     

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。     

一种基于视频序列的城市快速路交通状态分类方法

研发智能交通系统(ITS)是目前世界上各个国家交通运输领域技术发展的热点之一.而交通状态的有效分类和识别是ITS中主要子系统和重要功能之一.针对传统提取交通参数方法在拥堵状态下准确率偏低的情况,文中提出一种基于视频序列的城市快速路交通状态分类方法.定义并从视频序列中获取时空线序列符,该时空信息存在大量的数据冗余,因此通过主成分分析方法(PCA)进行降维与特征提取;通过主观评价方式,选取畅通和拥堵交通状态下样本输入支持向量机(SVM),根据实验仿真结果选择高斯径向基核函数作为核函数来解决特征数据非线性的问题,并通过参数调优构建出交通状态二分类的最优模型.实验表明,时空线序列符和主成分分析的方法可以很好地应用于交通状态分类当中.      

基于支持向量机的高墩大跨桥梁体系可靠度计算

为解决高墩大跨桥梁结构体系可靠度求解过程中失效模式复杂、极限状态方程无法显式表达等问题,提出一种基于支持向量机(SVM)分类技术的体系可靠度计算方法.该方法采用拉丁超立方抽样法产生样本库,通过重复筛选构造一个精确的SVM分类器函数(而不是构造功能函数本身的响应面函数),然后采用蒙特卡罗法进行数值模拟计算体系失效概率.以济邵高速公路逢石河特大桥为例验证了采用该方法计算高墩大跨桥梁体系可靠度的实用性,计算结果表明该桥体系可靠度满足设计要求.     

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。     

基于深度学习方法的路面裂缝目标检测

公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别,尤其在众多路面信息图像中高效甄别各类表观病害,为路面技术状况评定、养护科学决策和路面病害处置提供基础数据,是当前领域研究的重难点。为此,对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析,确定了自动识别裂缝样本标注方法,构建了路面裂缝目标检测样本库,包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证,开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证,并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明,开展路面裂缝目标检测可通过提出的深度学习方法,有效提高召回率和准确率,其值高达85%以上,自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。     

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。     

基于多分类支持向量机和D-S证据理论的轴承故障诊断

针对支持向量机( SVM)硬判定输出分类结果缺乏定量评价的问题,提出了一种多分类SVM后验概率建模的改进方法。通过引入D-S证据理论,得到多分类SVM在D-S证据理论识别框架下的基本概率分配,使样本在分类时同时具有定性解释和定量评价。接着,将多源信息送入SVM之后在决策级对多个SVM分类输出进行证据融合,以提高诊断精度。最后,将该方法应用于轴承故障的诊断中。结果表明,该方法能正确分类采用单源信息时所错分样本,降低识别的整体误差,显著提高故障诊断的准确性。     

桥梁结构裂缝及常用维修方法

分析了桥梁结构裂缝产生的主要原因,同时对裂缝进行分类.针对不同的裂缝类型,提出检查、观测以及修补必要性的判断方法,并介绍了在日常养护中常用的维修方法.     

SVM在缸套—活塞磨损状态监测中的应用研究

以发动机振动信号的5个时域及幅域特征(二次矩、四次矩、最大绝对值、时间二次矩和最大幅值点)为特征参数,以4类间隙值作为预测结果,建立了基于RBF核函数支持向量机(SVM)的缸套—活塞磨损间隙预测模型。通过仿真试验研究了核宽度σ和惩罚系数C对分类器性能的影响,结果表明,选择合适的σ和C值可以使分类器的性能达到最佳,为缸套—活塞磨损状态监测提供了一条新思路。     

HOG与SVM在动态称重轮轴识别中的应用研究

基于机器视觉的检测技术是道路环境感知的重要手段之一。目前,采用机器视觉对车辆、行人等检测技术日益成熟,并有商业化产品出现,但针对动态称重方面的机器视觉检测技术尚待挖掘。在高速公路实行全面的入口超载治理后,高速公路收费站入口称重系统对识别速度、精度等需求日益增加。因此,尝试将机器视觉技术与人工智能技术相结合的方式,研究车辆的轮轴识别问题。针对Hough圆变换算法检测圆形物体鲁棒性不强的问题,提出了一种基于梯度方向直方图(HOG)和支持向量机(SVM)的车轮检测方法,并运用于高速公路的入口车辆轮轴检测之中。首先,在完整地获取车辆车轮图片的前提下,采用方向梯度直方图提取了车轮的图像特征。其次,将正负样本输入SVM分类器,对车轮检测分类器进行训练。最后,将训练完成的SVM车轮分类器用于实际的车轮检测中。在实际应用中,可以通过车轮数量来判断车辆的轴数,达到轮轴检测的目的。试验分析表明:与传统Hough圆变换算法相比,该方法采用的HOG特征鲁棒性强,SVM识别准确率超过96%,可满足对车辆轮轴检测的需求;在实际测试中,所提方法与传统压电式轮轴传感器对比,正确率提高了5%左右,具有良好的实用性。     

基于粗糙集与支持向量机的无级变速器速比控制阀质量分类

在提取无级变速器速比控制阀性能特征参数的基础上,提出了采用粗糙集和支持向量机相结合的质量分类方法.首先,基于粗糙集理论对特征参数集进行属性约简;然后,使用支持向量机分类器对速比控制阀进行质量分类.实验结果表明该方法的分类准确率能够达到93.6%,具有良好的工程应用价值.     

基于支持向量机的发动机缸壁间隙识别

通过采集发动机缸壁表面的振动信号并对信号进行区间小波包分解,与最小二乘支持向量机相结合,以部分测试信号作为训练样本建立分类器,部分样本作为测试样本输入分类器中进行判断识别,通过设置不同的参数寻找到最优分类结果,最终判别出发动机的缸壁间隙。