支持向量机(SVM)方法在降水分类预测中的应用

支持向量学习机(SVM)是基于统计学习理论的模式分类器,将SVM方法应用于降水异常的分类预测中尚属首次。主要利用1958—2003年逐月的74个环流特征量、NINO 3,NINO 4海温指数、相关区域海平面气压、500 HPA、100HPA有关指数资料等,分别建立了四川盆地5片区降水距平百分率大于50%(特多)和小于-50%(特少)的2个SVM推理模型,并进行了降水分类预测试验和2005年1-3月实际预测,结果显示出所建SVM推理模型的Ts评分较高,具有一定的预测能力,展示了SVM的优越性和推广前景,可在短期气候预测业务中参考应用。     

可穿戴设备部署位置对羊只行为识别的影响与分析

羊只的行为状态能够直接反映其健康状况及所处的生理阶段,为实现自动化的羊只行为识别,以圈养的小尾寒羊为试验对象,构建一个基于加速度传感器的可穿戴式行为监测装置。利用MPU9250为核心的九轴姿态传感器采集羊只静止、行走和进食的行为信息,并将传感器分别部署在羊只颈部、背部靠近前腿处、前腿和后腿四个不同的位置。对于采集的数据,利用去噪和降维进行预处理,并分别利用k means和SVM进行分类识别。k means均值聚类算法对颈部处的行为识别准确率最高,为79.34%,SVM支持向量机算法对颈部处的行为识别准确率最高,为92.63%。SVM算法用于羊只行为识别的整体准确率高于k means,且传感器部署在羊只颈部时在不同识别方法下,识别效率均优于其他部位。研究结果对于构建自动化的羊只行为检测系统具有重要的现实意义。     

An Insect Imaging System to Automate Rice Light-Trap Pest Identification

Identification and counting of rice light-trap pests are important to monitor rice pest population dynamics and make pest forecast.Identification and counting of rice light-trap pests manually is time-...     

基于核函数的SVM猪肉颜色等级评定研究

 为了实现用计算机和机械设备进行猪肉颜色自动化分级,本研究对猪肉样品照片进行图像处理,提取其中颜色特征参数,并进行色彩空间参数换算。通过对基于核函数的3种SVM多分类方法进行比较,选择出最适合于猪肉颜色的SVM多分类评定方法。对比结果显示,采用单独的HSV数据及RGB与HSV联合数据进行分类,分类效果好于RGB数据。RBF核函数“二叉树”SVM多分类模型,经过样本学习后,其分类的正确率可达98%;同时考虑经验风险和置信风险,其分类正确率达80%。     

Fisher大间距线性分类器

作为一种著名的特征抽取方法,Fisher线性鉴别分析的基本思想是选择使得Fisher准则函数达到最大值的向量(称为最优鉴别向量)作为最优投影方向,以便使得高维输入空间中的模式样本在该向量投影后,在类间散度达到最大的同时,类内散度最小。大间距线性分类器是寻找一个最优投影矢量(最优分隔超平面的法向量),它可使得投影后的两类样本之间的分类间距(Margin)最大。为了获得更佳的识别效果,结合Fisher线性鉴别分析和大间距分类器的优点,提出了一种新的线性投影分类算法——Fisher大间距线性分类器。该分类器的主要思想就是寻找最优投影矢量wbest(最优超平面的法向量),使得高维输入空间中的样本模式在wbest上投影后,在使类间间距达到最大的同时,使类内离散度尽可能地小。并从理论上讨论了与其他线性分类器的联系。在ORL人脸库和FERET人脸数据库上的实验结果表明,该线性投影分类算法的识别率优于其他分类器。     

文本分类中特征提取方法的比较与研究

介绍了进行文本分类的关键技术,着重介绍了常用的文本特征提取方法.选取支持向量机方法作为文本分类器方法,选取不同特征提取方法应用于文本分类,通过实验,比较和分析了由不同的提取方法所构成的分类器的分类性能,确定了信息增益(IG)法和文本证据权(WET)为两种性能优异的特征提取方法.该结论可为分类性能进一步的优化研究奠定理论和实践基础.     

基于平衡策略的支持向量机在电力系统中期负荷预测的应用

针对电力负荷中期预测比较困难并且存在较大误差的问题,提出了基于径向基核函数与基于平衡策略的Sequential minimal optimization(SMO)改进算法相结合的负荷中期预测方法,结合EUNITE网络提供的实际数据,研究了日最大负荷的前后期关系、日最大负荷与节假日的关系和当日与对应星期数的相关性,建立了相应的电力负荷中期预测模型。并对预测结果进行了分析。算例表明,该算法具有运算速度快、精度较高的优点。     

支持向量机在高压绝缘子污秽程度评定中的应用

高压绝缘子污秽程度的评定可以表述为多类模式识别问题,由于影响绝缘子表面污秽状况的因素复杂,并且实际获得的样本数据有限,因此传统的智能方法往往达不到工程应用的精度要求。研究利用支持向量机在解决小样本、非线性及高维识别中的优势,将可用于多类模式识别的DAG SVM s模型用于高压绝缘子污秽程度的评定。该模型易于实现,且能够找到模式间的最优分类超平面,泛化能力较高。用SVM评定高压绝缘子污秽程度时,可以综合考虑不同污秽程度绝缘子泄漏电流的电气特性、环境参数与绝缘子污秽程度之间的非线性关系,从而实现具有极大模糊性的绝缘子表面污秽程度的评定。结果表明,此方法对解决绝缘子污秽程度的评定问题具有良好的适应性和实用性。     

基于局域支持向量机的旱涝预测

降水量的变化受到许多因素影响,其动态特征呈现复杂的非线性,使得预测难度较大。为了提高降水量预测精度,提出了一种基于局域支持向量机的降水量预测方法,对月降水量时间序列进行参数提取,构造相空间,使用支持向量回归模型代替局域线性模型,使用邻近点训练该局域支持向量回归模型。仿真结果表明,该方法预测精度高,在旱涝预测方面有较好的应用前景。     

基于支持向量机的苹果叶部病害识别方法研究

为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。