支持向量机和遗传算法组合策略的VLCC船中结构优化设计(英文)

In this paper a hybrid process of modeling and optimization,which integrates a support vector machine(SVM) and genetic algorithm(GA),was introduced to reduce the high time cost in structural optimization of ships.SVM,which is rooted in statistical learning theory and an approximate implementation of the method of structural risk minimization,can provide a good generalization performance in metamodeling the input-output relationship of real problems and consequently cuts down on high time cost in the analysis of real problems,such as FEM analysis.The GA,as a powerful optimization technique,possesses remarkable advantages for the problems that can hardly be optimized with common gradient-based optimization methods,which makes it suitable for optimizing models built by SVM.Based on the SVM-GA strategy,optimization of structural scantlings in the midship of a very large crude carrier(VLCC) ship was carried out according to the direct strength assessment method in common structural rules(CSR),which eventually demonstrates the high efficiency of SVM-GA in optimizing the ship structural scantlings under heavy computational complexity.The time cost of this optimization with SVM-GA has been sharply reduced,many more loops have been processed within a small amount of time and the design has been improved remarkably.     

驾驶人分心状态判别支持向量机模型优化算法

驾驶人分心状态判别是分心驾驶预警系统的重要基础.建立以径向基为核函数的 驾驶人分心状态判别SVM模型,采用遗传算法(GA)优化SVM模型惩罚参数C和核函数参数 g,并利用模拟驾驶器实验平台采集的驾驶绩效数据对模型进行验证.结果表明,采用GASVM 模型能够准确识别自由流和拥挤流场景下驾驶人分心状态,判别精度分别为94.5%和 96.3%.与决策树C4.5 和交叉验证(CV)-SVM对比表明,GA-SVM在准确率、精准率、召回率和 F1值等模型性能方面均优于其他2 种方法.本文建立的模型能够有效地判别驾驶人分心状态, 可为驾驶人分心预警系统和分心控制策略提供依据.     

趋势项分离预测模型及重标度极差分析在深基坑变形预测中的应用研究

为解决基坑变形预测精度低的问题,利用小波去噪和卡尔曼滤波对基坑变形序列进行去噪处理,分离趋势项及误差项,并利用支持向量机和BP神经网络分别对趋势项和误差项进行预测,以掌握基坑的变形规律及发展趋势;同时,采用重标度极差分析(R/S分析)对基坑的变形趋势进行判断,以验证变形预测的可靠性。根据实例检验,得出小波去噪的去噪效果较好,且预测结果的相对误差均值为1.03%,方差值为0.083,预测精度较高;基坑的变形序列与速率序列均具有持续增长的趋势特征,与变形预测结果一致,验证了预测思路的有效性。     

基于特征向量的敏感图像识别技术

针对现有色情敏感图像识别技术的缺陷,提出了基于特征向量的敏感图像识别技术.用YIQ彩色坐标系的色度和YUV彩色坐标系的色调作为皮肤的肤色模型,以5×5象素窗口的SSD（sum of square difference）作为皮肤的纹理模型.从敏感图像的皮肤掩码图像中提取与肤色区域数量和比例等有关的6个特征.将提取的特征向量输入到SVM（support vector machine）分类机,根据输出结果判断是否为敏感图像.对含457张敏感图像和1 101张非敏感图像的实验表明,该算法分类的精确度平均达到89.3%,查全率达到85.8%,误检率为4.4%.     

基于模糊控制的直接功率控制在双馈风力发电系统中的应用

直接功率控制（DPC）以其简洁明了的系统结构、优良的动静态性能,逐渐成为研究热点。文章提出了一种固定开关频率的双馈风力发电系统网侧直接功率控制策略,该策略基于空间电压矢量调制（SVM）,简化了滤波器的设计,实现了动态过程中有功功率和无功功率的解耦控制;同时在直流电压控制环中设计了一个模糊PI控制器。最后利用软件Matlab／Simulink进行了仿真,仿真结果表明改进后的DPC策略能够实现单位功率因数,电流谐波小,具有良好的动静态和鲁棒性能;所设计的模糊PI控制器能够抑制启动时直流电压、有功和无功功率的波动,具有良好的鲁棒性。     

基于串行分类器的车牌字符识别

在特征提取的基础上,对采用Bayes分类器和支持向量机的车牌字符识别方案进行比较,提出在Bayes分类器的基础上,再利用支持向量机对Bayes分类器不易区分的车牌字符进行识别的二级串行分类器融合的改进方案,在一定程度上既克服了Bayes分类器对车牌字符识别率低的问题,又解决了支持向量机识别速度慢的问题,可滿足车牌字符识别实时性和高识别率的要求。     

基于串行分类器的车牌字符识别

在特征提取的基础土,对采用Bayes分类器和支持向量机的车牌字符识别方案进行比较,提出在Bayes分类器的基础上,再利用支持向量机对Bayes分类器不易区分的车牌字符进行识别的二级串行分类器融合的改进方案,在一定程度上既克服了Bayes分类器对车牌字符识别率低的问题,又解决了支持向量机识别速度慢的问题,可满足车牌字符识别实时性和高识别率的要求。     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

混合核函数支持向量机在系统建模中的应用

混合核函数兼具了局部核函数和全局核函数的优点,并可通过权重因子调节它们对混合核函数的作用,取得较好的综合辨识效果。针对稀土萃取过程组分含量实时在线检测的难题,将基于混合核函数的支持向量机(SVM)算法用于稀土萃取过程组分含量建模。应用结果表明:基于混合核函数的组分含量软测量模型具有较好的模型拟合精度和满意的预测效果,能满足稀土萃取过程组分含量在线预估的要求。     

基于支持向量机和模糊评判的故障诊断方法研究

将采集到的数据进行模糊化处理,然后运用支持向量机对计算出的模糊样本进行训练,并对其进行模拟仿真,结果与实际试验结果基本相符.克服了根据单一的频谱变化来判断故障的类型,有效地提高了故障诊断性能.