支持向量机在水质评价及水位动态预测中的应用

利用支持向量机方法,构建RBF核函数支持向量机水质评价模型和地下水位动态预测模型,对白城地区进行水质评价及地下水位预测。结果表明:白城地区地下水污染严重,以Ⅳ类、Ⅴ类水居多,地下水位动态变化具有周期性。通过实例验证,支持向量机方法评价结果合理,且与综合水质评价法对比分析,更接近实际水质情况;在水位预测中也表现良好,预测准确率达到96.7%。可见该方法在水质评价及水位动态预测中表现出优秀的性能,具有很好的研究价值和推广前景。     

基于支持向量机的吉林西部地下水水质评价

采用支持向量机方法,结合吉林西部地下水环境特征及水质监测资料,选取硫酸盐含量、氨氮含量、氯化物含量、氟化物含量、总硬度及溶解性总固体量作为评价因子,对吉林西部地下水进行水质评价,并与综合评价法所得评价结果对比分析.结果表明,研究区内地下水多为Ⅳ类和Ⅴ类水,少部分为Ⅱ类和Ⅰ类水.通过对比表明,支持向量机方法可以较好的实现水质评价,评价结果更为切合实际,为合理开发及保护研究区地下水资源提供了科学依据.     

基于支持向量机模型的水质评价研究

将支持向量机方法应用到水质评价中,建立了RBF核函数支持向量机评价模型。根据石头口门水库水质特征,选择溶解氧、化学需氧量、高锰酸盐指数等五项指标作为输入因子进行评价,并与综合水质评价法、模糊综合评价法比较。研究结果表明石头口门水库主要为Ⅱ类和Ⅲ类水,呈汛期较差、非汛期较好的变化规律。通过实例验证,说明支持向量机方法能够较好的解决分类评价问题,评价结果良好,符合客观事实,具有很好的研究价值和推广前景。     

支持向量机在发动机故障诊断中的应用研究

鉴于支持向量机(SVM)的优越性及汽车发动机的故障特点,本文提出将支持向量机应用到发动机故障的智能诊断中。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,而且模型简单。首先对采集的故障信号采取信息融合方式进行特征提取,以获得特征向量。在此基础上通过多分类支持向量机对发动机故障进行分类测试,建立了故障诊断模型。试验结果表明:该方法具有较高的诊断精度,达到了发动机的故障诊断要求。     

支持向量机在黄瓜病害识别中的应用研究

探讨了采用支持向量机对黄瓜病害进行分类的方法;提取了病斑的形状、颜色、质地、发病时期等特征作为特征向量,利用支持向量机分类器,选取4种常见核函数,以Matlab7.0为平台对10类常见病害进行识别.结果表明,SVM 方法在处理小样本问题中具有良好的分类效果,线性核函数和径向基核函数的SVM 分类方法在黄瓜病害的识别方面优于其他类型核函数的SVM.     

浅析LMD和支持向量机在旋转机械故障诊断中的应用

旋转机械长期处于连续运转状态,很容易发生故障.而其一旦出现故障,不仅会影响企业生产的经济效益,甚至还会引发重大事故.因此,对旋转机械进行状态检测及故障诊断有着重要现实意义.课题组提出了一种基于LMD和支持向量机相结合的故障诊断方法.这一方法首先运用LMD信号处理方法进行故障特征提取,然后采用支持向量机对提取的特征进行状...     

支持向量机多分类模型的洪水分类

尝试使用支持向量机多分类模型在洪水分类中的应用,以长江流域宜昌站为研究对象,采用历史文献中的相关数据,验证了支持向量机的多分类法应用于洪水分类的可行性。由于受数据资料的限制,样本数据选取对测试数据分类结果的影响作了探索性分析,如何优化样本数据的选择有待做进一步的深入研究。     

支持向量机在斑潜蝇虫害叶片光谱分析中的应用

测量了斑潜蝇虫害叶片的可见光反射光谱。运用图像处理技术计算出虫害叶片的破损率;采用光谱分析方法选出对叶片破损程度敏感的波长点。运用支持向量机(SVM)和多光谱法,建立基于敏感波长的受害叶片反射光谱分类模型并进行分类试验。试验结果表明,多光谱法分类精度为90%,SVM为93.8%(多项式核函数)和96.9%(RBF核函数),高于多光谱法。     

支持向量回归机在水质预测中的应用与验证

以干旱区浅水湖泊乌梁素海的多年实测pH值为例,在分析支持向量回归机算法（ε-SVR）核函数选取的基础上进行了回归分析及预测,并与线性回归、BP神经网络、RBF网络等算法进行了比较。研究结果显示：：（1） 基于径向基核的支持向量回归机模拟效果优于其它核函数;（2）ε-SVR模拟结果与线性回归（LR）、BP神经网络和RBF网络等算法模拟结果相比,其拟合精度与预测精度均比其它三种方法要高。计算结果充分证明了支持向量回归机有较强的学习能力和泛化能力且该方法可以应用于水质预测研究。     

径流预测的支持向量机应用探讨

支持向量机是近年来提出的一种新的机器学习算法，它能针对在样本有限的情况，采用结构风险最小化准则，把学习问题转化为一个二次规划问题来获得最优解，从而克服了神经网络易陷于局部极小值的缺点。尝试将支持向量机算法应用于径流预测，并与BP神经网络方法的预测结果进行了对比，证明SVM方法预测径流量精度要略优于BP神经网络方法。     

基于支持向量机的玉米品种识别

选取郑单958、辽单565、京科25玉米品种作为研究对象,从玉米籽粒的数字图像中提取与玉米籽粒的颜色、形状、尺寸等有关的6个形态结构参数,利用支持向量机(SVM)算法进行训练识别,同时与BP人工神经网络(NN)方法进行比较,结果表明,SVM算法识别效率较高,达到92.3%.     

基于粗糙集与支持向量机的禽蛋蛋壳无损检

针对当前禽蛋蛋壳无损检测系统存在检测精度不高的问题,提出粗糙集和支持向量机相结合的方法进行分类器的设计.首先,基于粗糙集理论对特征参数集进行属性约简,在约简过程中,利用模糊C均值聚类算法对特征参数进行量化,并基于属性重要性的启发式搜索对条件属性进行约简;然后,在属性约简的基础上完成支持向量机分类器的训练,在训练过程中,通过交叉验证法对分类器模型参数进行了优化.实验结果表明该方法的分类准确率能够达到94.6%,具有良好的工程应用价值.     

基于支持向量机的道路坡度实时预测方法试验

道路坡度预测是汽车ABS、AMT、混合动力汽车扭矩分配等实时控制的关键技术。提出一种基于支持向量机(SVM)的道路坡度实时预测方法,输入参数为发动机转速、输出扭矩、纵向车速和纵向加速度,均从控制器CAN网络中实时提取。分别构建实车道路试验系统和Car Sim仿真平台,通过系统试验分别得到的样本对SVM模型进行学习和泛化能力测试。结果表明:Car Sim试验数据建立的SVM模型预测平方相关系数达到0.99,实车试验数据建立的SVM模型预测平方相关系数在0.9左右,二者差异的主要原因是实车试验GPS方法获取道路坡度信息时叠加了不易消除的车体俯仰角的影响。基于Lab VIEW编程将实车试验SVM模型导入虚拟仪器PXIe实时控制器中,其预测一个点的耗时等效到汽车电控ECU单片机为1.33 ms,完全满足实时控制要求。证明所提出道路坡度预测方法是有效、可行的。     

基于粒子群寻优的支持向量机番茄红素含量预测

应用支持向量机(SVM)通过色差值对番茄果实番茄红素含量预测进行建模,解决预测过程受影响因素多、参数互相关联、难以建立精确模型问题。为提高预测精度,将SVM参数选择和输入变量的选取看作组合优化问题,通过赤池信息准则(AIC)构造组合目标优化函数,采用粒子群算法(PSO)进行目标函数搜索,提高了搜索效率。对采后储藏不同成熟度番茄进行的测量表明,所提预测建模算法在番茄红素的预测中具有良好的性能,为番茄红素的便捷、无破坏性测量提供了一种方法。     

基于支持向量机和色度矩的植物病害识别研究

针对植物病害彩色纹理图像的特点，提出将支持向量机和色度矩分析方法相结合应用于植物病害识别中。首先利用色度矩提取植物病害叶片的特征向量，然后利用支持向量机分类方法进行病害的识别。黄瓜病害纹理图像识别实验分析表明，利用色度矩提取病害彩色纹理图像特征简便、快捷、分类效果好；支持向量机分类方法在病害分类时训练样本较少，具有良好的分类能力和泛化能力，适合于植物病害的分类。不同分类核函数的相互比较分析表明，线性核函数最适于植物病害的分类识别。     

采摘机器人基于支持向量机苹果识别方法

针对目前苹果采摘机器人果实识别过程误差大、处理时间长等问题,应用支持向量机(SVM)方法对苹果果实进行识别.首先采用矢量中值滤波法对苹果彩色图像进行预处理,然后运用区域生长算法和颜色特征相结合的方法进行图像分割,最后分别对苹果彩色图像的颜色特征、几何形状特征进行提取,并用支持向量机的模式识别方法识别苹果果实.实验结果表明:支持向量机识别方法的识别性能优于神经网络方法;综合颜色特征和形状特征的支持向量机识别方法对苹果果实识别的正确率高于只用颜色特征或形状特征的正确率.