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:客户满意度是客户关系管理的重要内容,对其研究能帮助企业把有限的资源集中到客户最看重的特性方面。针对移动通讯客户满意度问题,建立了模糊加权支持向量机模型。通过对量化后的总体满意度和各项指标数据进行训练,获得二者之间的关系。用最优隶属度函数客观地反映出客户的满意程度大小,并且对指标的敏感系数和贡献程度进行分析。
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:在实际生产过程中,数控机床由于热误差导致了相关零部件加工精度的降低。为了保证零部件的加工精度,以在线最小二乘支持向量机为基础对数控机床热误差进行建模。该方法在实际的运用过程中,可以减少甚至消除机床热误差带来的消极影响,使数控机床的加工精度处于比较稳定的水平。