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。     

果蝇算法在基于LSSVM智能水下机器人操纵运动模型辨识中的应用

基于水下机器人的Z型仿真试验,应用支持向量机对水下机器人的操纵运动模型进行辨识,从核函数结构中得到水动力系数,并建立水下机器人的预报模型,引入果蝇算法对惩罚因子C进行寻优,以减少基于经验而选择的参数对辨识精度产生的影响。通过预报与仿真比较,验证了该方法的有效性。     

SVM算法及其应用研究

采用将支持向量机-模糊预测控制应用于列车自动控制系统的方法,解决了目前列车自动控制中,启动控制过程平稳性不高的问题.首先给出模糊预测控制的有限样本的预测学习方法.在此基础上,设计了基于支持向量机-模糊预测控制方法,并把该方法应用于列车的启动控制过程中,通过仿真实验验证了改进的有效性.     

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PCA-SVM的DCT汽车驾驶员起步意图识别

针对目前对于双离合自动变速器(Dual Clutch Transmission,DCT)汽车驾驶员起步过程中意图变化的研究有限,且现有方法的识别准确率不高这一问题,提出了一种基于主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machines,SVM)的变化起步意图识别模型。根据驾驶员针对车辆反馈的反应时间,将起步过程划分为6个阶段;基于K均值聚类确定各个阶段的缓慢起步、一般起步、紧急起步这3种起步意图的界限;基于主成分分析挖掘出各个阶段起步意图识别的新特征;在此基础上构建6个SVM模型,并利用这6个模型分别对各阶段的起步意图进行识别。经过验证,该模型的平均测试准确率为94.92%,比只利用线性SVM模型高16.89%,且单个模型的平均耗时为0.008 s,能够快速有效地识别出DCT汽车驾驶员的起步意图。     

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。     

乘员分类系统研究综述

本文简叙乘员分类系统的提出和划分,详细介绍基于视觉信息、质量检测、体压分布测量和电场感应技术等4种实现方法,进一步讨论4种实现方法的技术发展,并比较了它们的优缺点。