简介:为了解决当前工业仪表示数在采图环境恶劣和样本数据量大的情况下所导致的算法识别不准确的问题,分别从特征学习与机器学习识别的角度出发,提出了基于特征学习与支持向量机的工业仪表状态识别算法。首先,提取仪表图像区域字符的几何特征和颜色特征,对这些提取出的特征进行归一化处理,设计出特征提取分析算子,达到精准提取有用特征数据的目的。然后,基于支持向量机,计算出分类器的最优平面和约束条件,从而建立仪表识别算子,进一步精确识别仪表示数。最后,基于软件开发环境QT实现算法,并系统集成。实验测试结果显示:与当前仪表识别技术相比,此算法拥有更高的准确性与稳定性,能够准确地根据仪表数字识别出电压,从而确定仪表工作状态是否正常。
简介:为了提高交通需求预测精度,综合考虑居民出行行为在时间维度上的分布,采用支持向量机、径向基神经网络和多项logit三种方法,基于居民活动目的,建立了出行链模式识别模型,并利用敏感性分析方法研究了解释因素对出行链模式选择的影响和对模型性能的贡献程度.结果显示:支持向量机模型在总体准确度和分类准确度上均优于其他2种方法,体现了支持向量机在小样本下的识别性能优势;证明了支持向量机能够较准确地反映多分类因素对于出行链模式选择行为的影响程度;因素对于不同出行链模式识别精度的贡献度差异表明了细化出行链模式及探索各个模式特有影响因素的重要性.支持向量机技术在交通需求预测建模及影响因素分析方面均具有实践意义.
简介:结合支持向量机和神经网络各自的优点,提出了一种新颖的自适应支持向量回归神经网络(SVR—NN).首先,利用支持向量回归方法确定SVR—NN的初始结构和初始化权值,基于支持向量自适应地构造SVR—NN神经网络的隐层节点;然后,使用退火过程的鲁棒学习算法更新网络节点参数和权值.为了验证所提出方法的有效性,给出了自适应SVR-NN应用于非线性动态系统辨识的实例.仿真结果表明,与以前的神经网络方法相比,基于SVR-NN网络的辨识方案能获得相当好的性能,它具有很快的收敛速度.因此,自适应的SVR—NN为非线性系统辨识提供了极有吸引力的新途径.
简介:给出计算参数矩阵特征值与特征向量导数的外推算法,数值结果检验了在有舍入误差时,甚至对于次主特征值都是可行的.