检索结果-内蒙古大学图书馆

声学学报 2025年第2期50卷 475-485页

作者：赖凯刘雄厚杨益新西北工业大学航海学院西安710072 陕西水下信息技术重点实验室西安710072 汉江国家实验室武汉430061

针对水下慢速小目标已有跟踪轨迹特征性能不优、信息冗余而导致分类识别性能不佳的问题,提出了利用改进支持向量数据描述(ISVDD)和递归特征消除(RFE)的ISVDD-RFE轨迹特征选择方法。首先,所提方法选择单分类SVDD以适配小目标分类识别所... 详细信息

针对水下慢速小目标已有跟踪轨迹特征性能不优、信息冗余而导致分类识别性能不佳的问题,提出了利用改进支持向量数据描述(ISVDD)和递归特征消除(RFE)的ISVDD-RFE轨迹特征选择方法。首先,所提方法选择单分类SVDD以适配小目标分类识别所面临的小样本、类不平衡问题,通过逐步递归消除实现小目标的轨迹特征优选;其次,为提升SVDD-RFE轨迹特征选择能力,从递归效率、相关性和稳健性三个方面改善递归过程;最后,为克服SVDD缺乏全局信息的固有缺陷,从特征区分性和特征态势两方面评估所选轨迹特征,提升整体分类识别性能。实测数据处理结果表明,采用所提方法进行轨迹特征选择后,蛙人目标的精确率从93.8%提升至94.9%,召回率从84.7%提升至91.1%;无人水下航行器目标的精确率从89.0%提升至94.7%,召回率从83.1%提升至85.2%;小目标平均分类准确率从87.7%提升至91.5%。在小样本、类不平衡条件下,所提方法具有优于传统方法的性能。

关键词：水下慢速小目标分类识别轨迹特征特征选择支持向量数据描述递归特征消除

来源：评论

学校读者我要写书评

暂无评论

基于多元模糊支持向量数据描述的供电均衡性实时一体化监测方法

引用

微型电脑应用 2025年第1期41卷 187-192页

作者：刘津铭周智成阳晟阮航广西电网有限责任公司广西南宁530023

为了提高供电稳定性,满足用户供电需求,提出基于多元模糊支持向量数据描述的供电均衡性实时一体化监测方法。采集可衡量输电线路运行状态的电流、电压以及输电线路线芯温度实时数据,建立包含各输电线路运行状态类型的供电均衡状态样本... 详细信息

为了提高供电稳定性,满足用户供电需求,提出基于多元模糊支持向量数据描述的供电均衡性实时一体化监测方法。采集可衡量输电线路运行状态的电流、电压以及输电线路线芯温度实时数据,建立包含各输电线路运行状态类型的供电均衡状态样本数据集;通过竞争凝聚算法模糊聚类和筛选供电均衡状态样本数据集,并用筛选后样本数据的隶属度对支持向量数据描述方法做加权操作,以样本数据点到运用支持向量数据描述方法获取的最小超球体中心的距离为基础,构建供电均衡状态评估函数判断供电均衡状态,实现供电均衡性实时一体化监测。实验证明:所提方法能够有效监测供电均衡性,并对异常输电线路运行状态及时预警;当隶属度临界值为0.16时,所提方法监测效果最好。

关键词：多元模糊支持向量数据描述供电均衡性实时监测竞争凝聚算法

来源：评论

学校读者我要写书评

暂无评论

支持向量数据描述及降幅重构方法在间歇过程故障分类中的应用研究

引用

控制理论与应用 2015年第3期32卷 380-387页

作者：谢彦红耿志成李元沈阳化工大学数理系辽宁沈阳110142 沈阳化工大学信息工程学院辽宁沈阳110142

针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半... 详细信息

针对间歇生产过程中的故障分类问题,为进一步研究故障所属类型,本文采用支持向量数据描述(support vector data description,SVDD)的方法.在多种类型的故障数据库基础上,应用SVDD建立对应故障种类的模型,利用核函数求出各个模型超球面半径;对于新的待分类故障样本,先考察其与各个种类模型超球面球心的距离,再比较此距离与半径的大小,进而确定故障所属类型,尤其是可能超出各个故障模型检测范围的待测故障样本,对其进行降幅重构迭代,确定其所属类型.该方法不但能够准确识别独立发生的故障,而且对于其他方法难以识别的多种并发的故障也能够有效地实现分类,应用于数值仿真和青霉素发酵过程实验中,验证了其有效性和准确性.

关键词：间歇过程故障分类支持向量数据描述降幅重构核函数

来源：评论

学校读者我要写书评

暂无评论

支持向量数据描述性能优化及其在非高斯过程监控中的应用

引用

化工学报 2010年第8期61卷 2072-2077页

作者：张建明许仙珍谢磊王树青浙江大学智能系统与控制研究所工业控制技术国家重点实验室浙江杭州310027

针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法。混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方... 详细信息

针对传统统计过程监控假设数据服从高斯分布的不足,提出了基于混合信号模型(MSM)及支持向量数据描述(SVDD)的非高斯过程监控方法。混合信号模型中包含了高斯、非高斯信号源及过程测量噪声,给出了基于混合信号模型的过程测量变量分解方法、统计量的定义及其分布。针对非高斯信号源监控,提出了SVDD核参数化的一般形式及其优化算法。工业实际数据中的应用表明,通过SVDD核函数优化,可准确地对数据的非高斯特性进行刻画,及时地发现工业过程中出现的异常情况。

关键词：支持向量数据描述微粒群优化统计监控非高斯过程

来源：评论

学校读者我要写书评

暂无评论

支持向量数据描述鉴别分析

引用

吉林大学学报（工学版） 2011年第6期41卷 1709-1713页

作者：文传军詹永照江苏大学计算机科学与通信工程学院江苏镇江212013 常州工学院理学院江苏常州213002

结合支持向量机(Support vector machine,SVM)最大类间间隔和支持向量数据描述(Support vector data description,SVDD)最小类内体积,提出支持向量数据描述鉴别分析(Support vector data description discriminant analysis,SVDDDA)。SVDDDA构造两大小同心超球,小超球包含正类样本,大超球排除负类样本,最大化两超球间隔,同时压缩正负类所处特征空间体积,利用样本距超球心距离定义了投影坐标。SVDDDA不仅能够获取类间鉴别信息,还能够获取类内散布信息。最后,通过人脸表情识别试验验证了该算法的有效性。

关键词：计算机应用支持向量鉴别分析支持向量机支持向量数据描述

来源：评论

学校读者我要写书评

暂无评论

支持向量数据描述和经验模态分解相结合的故障诊断

引用

机械强度 2009年第6期31卷 1012-1014页

作者：王昆李凌均周喜格郑州大学振动工程研究所郑州450001

为了解决智能监测和故障诊断中故障样本缺乏的问题,提出一种支持向量数据描述(support vector data description,SVDD)和经验模态分解(empirical mode decomposition,EMD)相结合的单分类方法。该方法在只有正常状态数据样本而无需故障... 详细信息

为了解决智能监测和故障诊断中故障样本缺乏的问题,提出一种支持向量数据描述(support vector data description,SVDD)和经验模态分解(empirical mode decomposition,EMD)相结合的单分类方法。该方法在只有正常状态数据样本而无需故障样本的情况下可以建立起单值分类器,从而区分出机器的运行状态。采用经验模态分解对数据进行预处理,提取信号在不同频带的能量特征作为SVDD的输入参数进行分类。将该方法应用于滚动轴承的故障诊断中,试验结果表明,该方法可以比传统的SVDD方法更有效地识别轴承的运行状态。

关键词：支持向量数据描述单值分类故障诊断经验模态分解

来源：评论

学校读者我要写书评

暂无评论

利用证据理论的多分类支持向量数据描述算法

引用

西安交通大学学报 2023年第2期57卷 151-160页

作者：张世醒韩德强范晓婧西安交通大学电信学部西安710049

针对原始多分类支持向量数据描述(SVDD)算法及其拓展算法忽略超球体之间的差异,且未能充分利用超球体的输出信息等问题,提出一种利用证据理论的多分类支持向量数据描述(证据SVDD多分类)算法。首先,为每一类样本训练一个超球体,并计算每... 详细信息

针对原始多分类支持向量数据描述(SVDD)算法及其拓展算法忽略超球体之间的差异,且未能充分利用超球体的输出信息等问题,提出一种利用证据理论的多分类支持向量数据描述(证据SVDD多分类)算法。首先,为每一类样本训练一个超球体,并计算每个超球体的正确率与紧密程度;接着使用上一步得到的正确率与紧密程度计算每个超球体的可靠程度;然后,根据超球体的输出信息与可靠程度计算样本的信度函数,信度函数的生成方式采用三焦元法和基于评价矩阵的方法;最后,根据Dempster组合规则融合上一步得到的信度函数,使用Pignistic法将融合后的信度函数转换为概率做出最终的判决。在两个人工数据集和多个UCI数据集上进行实验,结果表明,证据SVDD多分类算法相较传统算法可以获得更好的分类性能;在多个数据集上的仿真结果表明,证据SVDD多分类算法比传统的SVDD多分类算法有3%的精度提升。

关键词：证据理论支持向量数据描述多属性决策信度函数

来源：评论

学校读者我要写书评

暂无评论

LSVDD：基于局部支持向量数据描述的稀有类分析算法

引用

系统工程理论与实践 2012年第8期32卷 1784-1792页

作者：熊海涛吴俊杰刘鲁李明北京航空航天大学经济管理学院北京100191 中国石油大学工商管理学院北京102249

在单类支持向量数据描述算法的基础上,提出了一种基于局部支持向量数据描述的稀有类分析算法:LSVDD,能够处理存在类重叠的类不平衡问题.该算法利用支持向量数据描述算法对各类样本分别进行单类学习,从而获得单类模型:然后对单类模型的... 详细信息

在单类支持向量数据描述算法的基础上,提出了一种基于局部支持向量数据描述的稀有类分析算法:LSVDD,能够处理存在类重叠的类不平衡问题.该算法利用支持向量数据描述算法对各类样本分别进行单类学习,从而获得单类模型:然后对单类模型的概念重叠区域使用属性选择进一步进行局部单类学习,最后得到综合分类模型.在仿真数据集和UCI数据集上的实验结果表明,LSVDD能够有效和稳定地提高稀有类分析精度.

关键词：数据挖掘稀有类分析支持向量数据描述属性选择

来源：评论

学校读者我要写书评

暂无评论

求解多示例问题的支持向量数据描述方法

引用

电子学报 2013年第4期41卷 763-767页

作者：方景龙王万良王兴起龙哲祁萌杭州电子科技大学图形图像研究所浙江杭州310018 浙江工业大学计算机科学与技术学院浙江杭州310023

将支持向量数据描述方法引入到多示例学习中,提出了三种基于SVDD的多示例学习方法:基于包分类和示例分类的SVDD多示例学习方法MI-SVDD和m-i SVDD,以及基于正示例预测的SVDD多示例学习方法SVDD-MILD-I.在MUSK数据集上的实验结果表明,MI-S... 详细信息

将支持向量数据描述方法引入到多示例学习中,提出了三种基于SVDD的多示例学习方法:基于包分类和示例分类的SVDD多示例学习方法MI-SVDD和m-i SVDD,以及基于正示例预测的SVDD多示例学习方法SVDD-MILD-I.在MUSK数据集上的实验结果表明,MI-SVDD方法和m-iSVDD方法的精度与MI-SVM方法和m-iSVM的总体相当,SVDD-MILD-I方法的精度比较高,超过了我们已知的目前已发表的最好结果;对COREL图像库进行基于内容的图像检索的实验表明,SVDD-MILD-I方法的精度较高,并且比较好地区分了容易混淆的Beach类图像与Mountains类图像.

关键词：机器学习模式分类多示例学习支持向量数据描述

来源：评论

学校读者我要写书评

暂无评论

支持向量数据描述在烟叶异物检测中的应用

引用

计算机应用 2012年第3期32卷 881-884页

作者：黄仕建长江师范学院物理学与电子工程学院重庆408100 光电技术及系统教育部重点实验室(重庆大学) 重庆400044

针对烟叶异物检测中很难全面收集异物样本数据的问题,提出一种基于支持向量数据描述方法(SVDD)的烟叶异物检测方法。该方法只需要烟叶样本数据,就可建立单值分类器。首先,提取烟叶与几种典型异物的RGB分量与HSV分量;然后,选取烟叶的HV... 详细信息

针对烟叶异物检测中很难全面收集异物样本数据的问题,提出一种基于支持向量数据描述方法(SVDD)的烟叶异物检测方法。该方法只需要烟叶样本数据,就可建立单值分类器。首先,提取烟叶与几种典型异物的RGB分量与HSV分量;然后,选取烟叶的HV分量作为特征向量,训练SVDD分类器,实现烟叶异物的分类识别;最后,通过接受者操作特性(ROC)曲线对比了SVDD与其他3种方法的分类效果。实验结果表明,采用HV分量降低了数据维数,提高了计算效率;SVDD方法具有很好的分类效果和计算效率,能很好地区分烟叶与异物。

关键词：支持向量数据描述异物检测烟叶样本 HV分量分类识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：