支持向量機(jī)
- 融合ResNet與支持向量機(jī)的葡萄園冠層圖像葉片覆蓋度分類
sNet與支持向量機(jī)的葡萄園冠層圖像葉片覆蓋度分類［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（8）：1713-1721.doi：10.3969/j.issn.1000-4440.2023.08.011收稿日期：2022-10-12基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFF0704200）;中國農(nóng)業(yè)科學(xué)院院級(jí)基本科研業(yè)務(wù)費(fèi)項(xiàng)目（Y2022LM20）;中國農(nóng)業(yè)科學(xué)院科技創(chuàng)新工程項(xiàng)目（CAAS-ASTIP-2016-AII）作者簡(jiǎn)介：代國威（1997-），男，四川
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年8期2024-01-30
- 基于機(jī)器學(xué)習(xí)分類算法的玻璃文物鑒定
，構(gòu)建基于支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和Logistic回歸（LR）的玻璃文物鑒定算法，對(duì)63種玻璃文物進(jìn)行分類鑒定。結(jié)果顯示：算法的預(yù)測(cè)精度均高于95%，可以將其應(yīng)用到玻璃文物的實(shí)際鑒定中。關(guān)鍵詞：玻璃文物鑒定；支持向量機(jī)；人工神經(jīng)網(wǎng)絡(luò)；Logistic回歸中圖分類號(hào)：TP18；G124? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）13-0101-04Identification of Glass Cultural
現(xiàn)代信息科技 2023年13期2023-09-14
- 基于卷積神經(jīng)網(wǎng)絡(luò)的腦卒中中醫(yī)辨證分型舌象分類研究
舌象分類；支持向量機(jī)；特征選擇〔中圖分類號(hào)〕R288? ? ? ?〔文獻(xiàn)標(biāo)志碼〕A? ? ? ? 〔文章編號(hào)〕doi：10.3969/j.issn.1674－070X.２０23.08.019Convolutional neural networks-based TCM pattern differentiation and classification of tongue manifestations in stroke patientsWANG Zhao
湖南中醫(yī)藥大學(xué)學(xué)報(bào) 2023年8期2023-09-07
- 隨機(jī)森林算法對(duì)流域面積監(jiān)測(cè)的適用性研究
線性回歸；支持向量機(jī)中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）12-0074-04Research on the Applicability of Random Forest Algorithm to Watershed Area MonitoringLIU Xiaoyu1，2（1.Three Gorges Smart Water Technology Co.， Ltd.， Shanghai? 200335， Chi
現(xiàn)代信息科技 2023年12期2023-08-21
- 基于改進(jìn)海鷗算法優(yōu)化支持向量機(jī)的斜拉橋索力優(yōu)化研究
化算法聯(lián)合支持向量機(jī)的索力優(yōu)化模型。融合折射反向?qū)W習(xí)、多方向螺旋攻擊和非線性收斂等策略對(duì)標(biāo)準(zhǔn)海鷗優(yōu)化算法進(jìn)行改進(jìn)，基于改進(jìn)的海鷗優(yōu)化算法（Improve Seagull optimization algorithm ，ISOA）對(duì)支持向量機(jī)（Support vector machine ，SVM）的懲罰因子和核函數(shù)參數(shù)進(jìn)行優(yōu)化，構(gòu)建大跨度斜拉橋的索力組合-結(jié)構(gòu)響應(yīng)的預(yù)測(cè)模型，設(shè)計(jì)ISOA-SVM的索力優(yōu)化流程并對(duì)考慮主梁線形控制下的斜拉索索力進(jìn)行優(yōu)化。結(jié)果
森林工程 2023年4期2023-08-08
- 基于優(yōu)化CS-SVM算法的DGA域名檢測(cè)研究
（CS）對(duì)支持向量機(jī)（SVM）進(jìn)行優(yōu)化，即BCS-SVM方法，該方法能夠適應(yīng)DGA域名檢測(cè)場(chǎng)景。實(shí)驗(yàn)采用開放域名數(shù)據(jù)作為樣本集，對(duì)文章提出的DGA域名檢測(cè)方法進(jìn)行訓(xùn)練，并通過域名向量轉(zhuǎn)換、檢測(cè)模型訓(xùn)練、參數(shù)調(diào)優(yōu)，最終完成了一種較為高效的DGA域名檢測(cè)模型。關(guān)鍵詞：特征選擇；DGA域名；布谷鳥搜索算法；支持向量機(jī)中圖分類號(hào)：TP393.0? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）11-0077-03Research on DGA Doma
現(xiàn)代信息科技 2023年11期2023-08-01
- 基于粒子群優(yōu)化算法的水源微生物自動(dòng)識(shí)別
子群算法；支持向量機(jī)中圖分類號(hào)：X 835 文獻(xiàn)標(biāo)志碼：A引言水源微生物廣泛分布于自然與人工水體環(huán)境中，它們無法用肉眼直接觀察，例如水中的原生動(dòng)物和真菌的大小通常介于0.1～100 μm，只能在顯微鏡下進(jìn)行觀察。作為水質(zhì)的關(guān)鍵評(píng)價(jià)指標(biāo)之一，水源微生物的繁殖情況可以很好地反映水體的污染程度。因此，推進(jìn)水源微生物分類識(shí)別的相關(guān)研究對(duì)于水源的生物安全性監(jiān)測(cè)、水環(huán)境治理等具有非常重要的意義。考慮到傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)圖形處理單元的要求較低，能夠以較低成本部署在設(shè)備中
光學(xué)儀器 2023年2期2023-07-14
- 基于深度學(xué)習(xí)特征融合的遙感圖像場(chǎng)景分類應(yīng)用
算法優(yōu)化的支持向量機(jī)（GS-SVM）中對(duì)遙感圖像進(jìn)行場(chǎng)景分類識(shí)別.在公開數(shù)據(jù)集UC Merced的21類目標(biāo)數(shù)據(jù)和RSSCN7的7類目標(biāo)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，5次實(shí)驗(yàn)的平均準(zhǔn)確率分別達(dá)94.77%和93.79%.該方法可有效提升遙感圖像場(chǎng)景的分類精度.關(guān)鍵詞 圖像分類；卷積神經(jīng)網(wǎng)絡(luò)；灰度共生矩陣；局部二值模式；遷移學(xué)習(xí)；支持向量機(jī)中圖分類號(hào)TP183文獻(xiàn)標(biāo)志碼A0 引言隨著遙感技術(shù)的不斷發(fā)展[1]，遙感圖像分類被廣泛應(yīng)用于土地管理、城市規(guī)劃、交通監(jiān)管等眾多領(lǐng)
南京信息工程大學(xué)學(xué)報(bào) 2023年3期2023-07-06
- 基于RWT-SVM的臺(tái)區(qū)配電網(wǎng)日前負(fù)荷預(yù)測(cè)研究
小波變換-支持向量機(jī)（RWT-SVM）混合模型的日前電力負(fù)荷預(yù)測(cè)方法.該方法利用小波變換技術(shù)將臺(tái)區(qū)配電網(wǎng)電力負(fù)荷時(shí)間序列分解為多個(gè)子序列；利用平均絕對(duì)誤差（MAE）計(jì)算每個(gè)子序列的預(yù)報(bào)誤差貢獻(xiàn)度；對(duì)MAE最大的序列進(jìn)一步分解，從而提升模型的預(yù)測(cè)能力，得到精度更高的預(yù)測(cè)結(jié)果.仿真結(jié)果表明，RWT-SVM混合模型的預(yù)測(cè)精度高于三種對(duì)比方法.關(guān)鍵詞 負(fù)荷預(yù)測(cè)；小波變換；支持向量機(jī)；配電網(wǎng)中圖分類號(hào)TM743文獻(xiàn)標(biāo)志碼A0 引言電力系統(tǒng)調(diào)度中心擔(dān)負(fù)著制定電網(wǎng)運(yùn)行計(jì)
南京信息工程大學(xué)學(xué)報(bào) 2023年3期2023-07-06
- 基于相對(duì)混亂度特征選擇的船舶風(fēng)機(jī)智能狀態(tài)監(jiān)測(cè)與故障診斷
特征選擇的支持向量機(jī)訓(xùn)練方法。該方法相比傳統(tǒng)方法在故障識(shí)別準(zhǔn)確率上有所提升，可達(dá)到94.46%，并且可有效縮短分類器計(jì)算耗時(shí)，最快可將其縮短77.8%。文中提出的算法框架、特征選擇方法、基于特征選擇的支持向量機(jī)訓(xùn)練方法和智能故障診斷方法相比現(xiàn)有方法有一定的優(yōu)勢(shì)，對(duì)機(jī)艙中回轉(zhuǎn)機(jī)械設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷有一定的參考價(jià)值。關(guān)鍵詞：智能故障診斷； 特征選擇； 支持向量機(jī)； 狀態(tài)監(jiān)測(cè)； 智能機(jī)艙中圖分類號(hào)：? U676.4+2文獻(xiàn)標(biāo)志碼：? AIntelligen
上海海事大學(xué)學(xué)報(bào) 2023年1期2023-06-22
- 基于支持向量機(jī)的“一帶一路”航空網(wǎng)絡(luò)的鏈路預(yù)測(cè)
指標(biāo)，基于支持向量機(jī)分類算法從國家和機(jī)場(chǎng)兩個(gè)層面對(duì)“一帶一路”沿線航空網(wǎng)絡(luò)進(jìn)行鏈路預(yù)測(cè)。結(jié)果發(fā)現(xiàn)：越宏觀的航空網(wǎng)絡(luò)，其預(yù)測(cè)精確度越高；同時(shí)，鏈路預(yù)測(cè)模型的預(yù)測(cè)精確度與指標(biāo)中包含的網(wǎng)絡(luò)結(jié)構(gòu)信息相關(guān)，指標(biāo)中包含的網(wǎng)絡(luò)結(jié)構(gòu)信息越多，預(yù)測(cè)精確度越高，且對(duì)于“一帶一路”航空網(wǎng)絡(luò)中的節(jié)點(diǎn)，鏈路預(yù)測(cè)中Katz指標(biāo)的預(yù)測(cè)準(zhǔn)確度最高。關(guān)鍵詞：一帶一路；航空網(wǎng)絡(luò)；鏈路預(yù)測(cè)；支持向量機(jī)中圖分類號(hào)：F560 ? ?文獻(xiàn)標(biāo)志碼：A ? ?DOI：10.13714/j.cnki.10
物流科技 2023年9期2023-06-15
- 基于SSA-SVM的營養(yǎng)健康信息文本分類研究
尋優(yōu)能力對(duì)支持向量機(jī)（SVM）的最優(yōu)參數(shù)組合進(jìn)行搜索，提出一種基于SSA-SVM的文本分類方法。對(duì)SSA-SVM模型在不同的數(shù)據(jù)集中的分類效果進(jìn)行了試驗(yàn)研究，結(jié)果表明，SSA全局尋優(yōu)性能穩(wěn)定，可有效降低SVM參數(shù)選取對(duì)系統(tǒng)泛化能力和分類精度的影響，SSA-SVM模型在營養(yǎng)健康文本分類中準(zhǔn)確率可達(dá)到83.8%，對(duì)食物營養(yǎng)健康信息挖掘研究具有一定的參考價(jià)值。關(guān)鍵詞： 營養(yǎng)健康； 文本分類； 支持向量機(jī)； 麻雀搜索算法中圖分類號(hào)：TP391? ? ? ? ? 文
計(jì)算機(jī)時(shí)代 2023年6期2023-06-15
- 基于PSO-BP神經(jīng)網(wǎng)絡(luò)與PSO-SVM的抗乳腺癌藥物性質(zhì)預(yù)測(cè)
神經(jīng)網(wǎng)絡(luò);支持向量機(jī)中圖分類號(hào)TP183文獻(xiàn)標(biāo)志碼A收稿日期2021-12-06資助項(xiàng)目國家自然科學(xué)基金（71701099，71501090）；江蘇省高等學(xué)校自然科學(xué)研究項(xiàng)目 （17KJB580008）作者簡(jiǎn)介許美賢，女，碩士生，主要從事人工智能輔助藥物設(shè)計(jì)、數(shù)據(jù)挖掘的研究.xumeixain3210@163.com鄭琰（通信作者），女，博士，副教授，主要從事計(jì)算生物物理學(xué)、人工智能輔助生物分子結(jié)構(gòu)預(yù)測(cè)的研究.ZhengYan3210@163.com0 引
南京信息工程大學(xué)學(xué)報(bào) 2023年1期2023-06-14
- 基于核主成分分析的GSA-SVM木材單板缺陷識(shí)別研究
瓊摘要：為支持向量機(jī)能夠準(zhǔn)確識(shí)別木材單板表面缺陷，以提高木材單板質(zhì)量，提出高效準(zhǔn)確的單板缺陷核主成分分析（KPCA）的引力搜索算法（GSA）-支持向量機(jī)（SVM）識(shí)別模型?？紤]到圖像特征數(shù)據(jù)間的冗余影響，采用KPCA方法對(duì)原始特征數(shù)據(jù)降維，并通過GSA優(yōu)化SVM的懲罰因子C和核參數(shù)g，建立KPCA- GSA-SVM 木材單板缺陷識(shí)別模型。基于顏色、紋理、形狀3方面的特征以活節(jié)、死節(jié)、裂紋為研究對(duì)象的樣本原始數(shù)據(jù)集，選取8個(gè)主要特征（1個(gè)顏色特征、1個(gè)紋理特
森林工程 2023年2期2023-06-13
- 基于 SVM 機(jī)器學(xué)習(xí)技術(shù)的企業(yè)智能化審計(jì)建模優(yōu)化
器學(xué)習(xí)算法支持向量機(jī)建立企業(yè)智能化審計(jì)評(píng)價(jià)模型。為提升支持向量機(jī)模型性能，采用回溯搜索優(yōu)化算法對(duì)支持向量機(jī)核函數(shù)進(jìn)行優(yōu)化，將構(gòu)建的模型與GA-SVM、PSO-SVM 進(jìn)行對(duì)比。結(jié)果表明：BSA-SVM 模型的分類識(shí)別準(zhǔn)確率最高為94.5%，同時(shí)迭代時(shí)間最短為36.28 s。關(guān)鍵詞：支持向量機(jī)；回溯搜索優(yōu)化算法；智能化審計(jì)；技術(shù)；建模中圖分類號(hào)：TP391.9文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）05-0139-04Optimizationo
粘接 2023年5期2023-06-12
- 基于 LabVIEW 的 MEMD 改進(jìn)算法化工機(jī)械故障監(jiān)測(cè)研究
化工機(jī)械；支持向量機(jī)；振動(dòng)識(shí)別中圖分類號(hào)：TP392；TQ056文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）05-0112-05Researchonfaultmonitoringof chemicalmachinery withMEMDalgorithmbasedonLabVIEWFENG Zhewei（JinshanCollege of Fujian Agriculture and Forestry University，F(xiàn)uzhou 3500
粘接 2023年5期2023-06-12
- 基于連續(xù)小波變換的表層土壤有機(jī)碳含量的高光譜估算
（RF）和支持向量機(jī)（SVM）3種模型估算表層SOC含量。研究結(jié)果表明，土壤高光譜反射率與SOC含量呈負(fù)相關(guān)，經(jīng)過一階微分變換后，通過極顯著性檢驗(yàn)（P2分別為0.83和0.80，RMSE分別為5.24和3.56，RPD值為2.12，能夠有效估算研究區(qū)表層SOC含量。關(guān)鍵詞： 土壤有機(jī)碳含量；高光譜反射率；一階微分變換；連續(xù)小波變換；支持向量機(jī)；湖濱綠洲中圖分類號(hào)： S127 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-4440（2023）01-0118-08H
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年1期2023-06-08
- 基于KPCA-GWO-SVM模型的巖爆預(yù)測(cè)及應(yīng)用
算法優(yōu)化的支持向量機(jī)模型，采用核主成分分析對(duì)數(shù)據(jù)進(jìn)行處理，建立巖爆預(yù)測(cè)的KPCA-GWO-SVM模型，預(yù)測(cè)結(jié)果表現(xiàn)出良好的分類性能。將建好的模型用于冬瓜山銅礦，并與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，結(jié)果表明，KPCA-GWO-SVM模型是一種巖爆烈度高精度分類的有效工具。關(guān)鍵詞：巖爆預(yù)測(cè);支持向量機(jī);灰狼優(yōu)化算法;核主成分分析;工程應(yīng)用中圖分類號(hào)：TD322文獻(xiàn)標(biāo)志碼：A開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：文章編號(hào)：1001-1277（2023）04-0013
黃金 2023年4期2023-06-05
- 基于三軸傳感器的坐姿監(jiān)測(cè)系統(tǒng)開發(fā)
坐姿監(jiān)測(cè)；支持向量機(jī)；多分類中圖分類號(hào)：G642 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）10-0035-050 引言截至2022年1月，流行病學(xué)調(diào)查顯示[1]，我國青少年患有脊柱側(cè)彎人數(shù)已經(jīng)500萬，并且該數(shù)據(jù)還在以每年30萬左右的速度遞增。繼肥胖、近視之后，脊柱側(cè)彎成了危害我國兒童青少年健康的第三大疾病。脊柱側(cè)彎是一種三維結(jié)構(gòu)畸形，在冠狀面脊柱側(cè)向彎曲，在水平面脊柱和胸廓發(fā)生旋轉(zhuǎn)，在矢狀面脊柱的生理曲度發(fā)生變化，因?yàn)槿梭w有較多的單側(cè)運(yùn)動(dòng)模
電腦知識(shí)與技術(shù) 2023年10期2023-06-03
- 基于主成分分析法和支持向量機(jī)算法的駕駛?cè)似跈z測(cè)方法
據(jù)，并利用支持向量機(jī)（SVM）算法建立了PCA-SVM疲勞檢測(cè)模型。實(shí)驗(yàn)結(jié)果表明，該模型能夠高精度地識(shí)別駕駛?cè)说乃姆N疲勞狀態(tài)。關(guān)鍵詞：駕駛疲勞；主成分分析法；支持向量機(jī)；智能汽車；主動(dòng)安全中圖分類號(hào)：U467? 收稿日期：2023-04-12DOI：10.19999/j.cnki.1004-0226.2023.05.0211 前言目前，疲勞駕駛已被廣泛認(rèn)為是各種交通事故的重要因素[1]。雖然目前很難直接獲得駕駛疲勞所導(dǎo)致的交通事故的數(shù)量，但可以明確的一點(diǎn)是
專用汽車 2023年5期2023-05-26
- 概率校準(zhǔn)方法的腦電信號(hào)分類算法研究
邏輯回歸和支持向量機(jī)構(gòu)建分類預(yù)測(cè)模型，使用上述兩種概率校準(zhǔn)方法進(jìn)行模型校準(zhǔn)。最后，選用ROC曲線下的面積AUC、Brier得分和可靠性曲線評(píng)估校準(zhǔn)模型的性能，并且繪制交叉驗(yàn)證學(xué)習(xí)曲線，觀察模型在不同數(shù)據(jù)量下的擬合效果，以及模型的泛化能力。在BCI競(jìng)賽IV Datasets 2a腦電數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明，概率校準(zhǔn)的方法能夠?qū)δＰ皖A(yù)測(cè)輸出結(jié)果進(jìn)行有效校準(zhǔn)。關(guān)鍵詞：運(yùn)動(dòng)想象；概率校準(zhǔn)；功率譜密度；邏輯回歸；支持向量機(jī)中圖分類號(hào)：TP18；TP301.6
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2023年4期2023-05-20
- 基于小波分析的油田機(jī)械傳動(dòng)裝置振動(dòng)信號(hào)識(shí)別方法
動(dòng)信號(hào)? 支持向量機(jī)中圖分類號(hào)：TP751文獻(xiàn)標(biāo)識(shí)碼：AAbstract： In order to improve the stability and efficiency of oilfields mechanical equipment operation and analyze the running characteristics of the gear， a method of vibration signal identification of
科技資訊 2023年5期2023-04-26
- 基于機(jī)器學(xué)習(xí)的劇本角色情感識(shí)別研究
劇本角色；支持向量機(jī)；樸素貝葉斯；情感識(shí)別中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A1引言（Introduction）對(duì)于影視制片人來說，劇本的好壞直接決定其商業(yè)價(jià)值和社會(huì)意義，因此，對(duì)劇本文本分析成為不可或缺的環(huán)節(jié)，其中劇本角色的情感識(shí)別是劇本分析中一個(gè)非常重要的任務(wù)。劇本角色情感識(shí)別是將劇本中涉及角色的對(duì)白和動(dòng)作描述識(shí)別為某一種具體的情感傾向，屬于情感分析[1]中句子級(jí)別的范疇，輸入為劇本中的角色對(duì)白或動(dòng)作描述的句子，輸出其對(duì)應(yīng)的情感傾向?；跈C(jī)器學(xué)習(xí)的情
軟件工程 2023年4期2023-04-07
- 基于隨機(jī)森林和支持向量機(jī)的森林健康情況分析
隨機(jī)森林；支持向量機(jī)1引言如今，林木健康問題已得到社會(huì)各界前所未有的關(guān)注，而中國傳統(tǒng)的樣地檢測(cè)和受控實(shí)驗(yàn)等方法需要耗費(fèi)大量人力物力，且得出具體結(jié)論所需時(shí)間往往較長，使林業(yè)健康檢測(cè)喪失時(shí)效性。故傳統(tǒng)手段具有一定局限性。而遙感是避免接觸，目標(biāo)距離較遠(yuǎn)的一種探測(cè)技術(shù)，其能夠?yàn)檠芯咳藛T提供更高緯度的視野，可以有效收集并且處理復(fù)雜時(shí)空維度下的海量信息。本項(xiàng)目基于高分辨率遙感數(shù)據(jù)，結(jié)合統(tǒng)計(jì)學(xué)相關(guān)理論知識(shí)以及新興的數(shù)據(jù)挖掘技術(shù)，對(duì)健康樹木和患病樹木的遙感圖像數(shù)據(jù)進(jìn)行分析
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年1期2023-01-14
- 基于SVM與神經(jīng)網(wǎng)絡(luò)組合模型的短時(shí)交通流預(yù)測(cè)研究
，提出基于支持向量機(jī)（SVM）與神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型SVM-BPNN、SVM-RBFNN。結(jié)合實(shí)際道路的短時(shí)交通流數(shù)據(jù)，將組合模型與其他典型預(yù)測(cè)方法實(shí)驗(yàn)對(duì)比。結(jié)果表明，本文提出的組合模型SVM-RBFNN預(yù)測(cè)精度更高，在短時(shí)交通流量預(yù)測(cè)方面具有明顯優(yōu)勢(shì)。關(guān)鍵詞：短時(shí)交通流;神經(jīng)網(wǎng)絡(luò);支持向量機(jī)中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）17-0006-03短時(shí)交通流預(yù)測(cè)常用方法有歷史平均、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、回
電腦知識(shí)與技術(shù) 2022年17期2022-08-31
- 基于關(guān)鍵面紋理特征提取的自動(dòng)人臉微表情識(shí)別
興趣區(qū)域;支持向量機(jī)中圖分類號(hào)：TP3? ? 文獻(xiàn)標(biāo)識(shí)碼：B文章編號(hào)：1009-3044（2022）18-0067-04開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：微表情是一種自發(fā)式的表情，它發(fā)生在人類試圖壓抑或隱藏真實(shí)情感時(shí)，其特點(diǎn)是發(fā)生迅速、表情強(qiáng)度低且不能自主控制，持續(xù)時(shí)間在1/25～1/5秒以內(nèi)[1]，單靠人眼捕捉十分困難。并且在非語言交流形式中如面部表情、語調(diào)和身體姿勢(shì)，微表情最有可能揭示一個(gè)人最深層的情感[2]。目前針對(duì)微表情研究在現(xiàn)實(shí)生活中的應(yīng)用
電腦知識(shí)與技術(shù) 2022年18期2022-08-31
- 基于GA-SVM的GNSS高程擬合應(yīng)用研究
摘 要：在支持向量機(jī)GNSS高程擬合應(yīng)用中，通常采用交叉驗(yàn)證法來尋找訓(xùn)練模型的最優(yōu)參數(shù)，但該方法有可能會(huì)陷入局部最優(yōu)而難以提高模型精度。本研究采用具有全局尋優(yōu)能力的遺傳算法來優(yōu)化支持向量機(jī)的參數(shù)，并建立GA-SVM模型對(duì)GNSS高程數(shù)據(jù)進(jìn)行擬合。通過對(duì)比交叉驗(yàn)證表明，GA-SVM在GNSS高程擬合中具有更好的效果，內(nèi)符合精度和外符合精度均達(dá)到毫米級(jí)。關(guān)鍵詞：遺傳算法;支持向量機(jī);高程擬合;交叉驗(yàn)證中圖分類號(hào)：P228 ? ? 文獻(xiàn)標(biāo)志碼：A ? ? 文章
河南科技 2022年12期2022-07-14
- 改進(jìn)粒子群算法支持向量機(jī)的煙臺(tái)港貨物吞吐量預(yù)測(cè)
粒子群算法支持向量機(jī)模型。引入自適應(yīng)慣性權(quán)重以及最優(yōu)粒子擾動(dòng)決策，來優(yōu)化支持向量機(jī)中的懲罰參數(shù)C和核函數(shù)參數(shù)g?；?978—2020年煙臺(tái)港吐吞量進(jìn)行實(shí)證分析，對(duì)比改進(jìn)支持向量機(jī)模型和原本支持向量機(jī)模型的平均相對(duì)誤差，預(yù)測(cè)效果優(yōu)于SVM模型，因此為港口貨物吞吐量提供技術(shù)支持。關(guān)鍵詞：核函數(shù);支持向量機(jī);改進(jìn)粒子群算法;煙臺(tái)港中圖分類號(hào)：TP18? ? ? ? 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：2096-4706（2022）03-0133-05Cargo Throu
現(xiàn)代信息科技 2022年3期2022-07-06
- 一種基于試飛數(shù)據(jù)的航空發(fā)動(dòng)機(jī)滑油金屬含量預(yù)測(cè)方法
息擴(kuò)散結(jié)合支持向量機(jī)的方法建立了滑油金屬含量預(yù)測(cè)模型，解決了小樣本數(shù)據(jù)限制的問題。模型預(yù)測(cè)結(jié)果的相對(duì)誤差不大于5.7%，能夠滿足實(shí)際工程的精度需求，所建立的滑油金屬含量預(yù)測(cè)模型對(duì)航空發(fā)動(dòng)機(jī)磨損故障有積極的預(yù)防作用。關(guān)鍵詞：滑油金屬含量預(yù)測(cè)；試飛數(shù)據(jù)；信息擴(kuò)散；支持向量機(jī)；小樣本數(shù)據(jù)中圖分類號(hào)：V317.1文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.19452/j.issn1007-5453.2022.05.002在高溫、高速、高振動(dòng)的惡劣環(huán)境下工作，航空發(fā)動(dòng)機(jī)的軸承、齒輪
航空科學(xué)技術(shù) 2022年5期2022-07-03
- 溫州市三垟濕地遙感動(dòng)態(tài)檢測(cè)與景觀分析
據(jù)集，通過支持向量機(jī)、隨機(jī)森林、極限學(xué)習(xí)三種不同分類器的比較明確適用于研究區(qū)的解譯方法，得到研究區(qū)內(nèi)三垟濕地土地分類圖，并計(jì)算了土地利用動(dòng)態(tài)度，分析了三垟濕地自生態(tài)修復(fù)開始的土地利用變化，根據(jù)解譯結(jié)果計(jì)算研究區(qū)土地利用變化率與景觀變化。結(jié)果表明，遙感影像能夠較好的應(yīng)用于城市濕地動(dòng)態(tài)監(jiān)測(cè)，三垟濕地修復(fù)建設(shè)已逐步完善，因長期開墾導(dǎo)致的土地流失也逐步恢復(fù)。關(guān)鍵詞：三垟濕地;遙感解譯;隨機(jī)森林;支持向量機(jī)中圖分類號(hào)：TP181? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)
現(xiàn)代信息科技 2022年2期2022-06-15
- 基于支持向量機(jī)的葉片圖像分割
了一種基于支持向量機(jī)的葉片圖像分割算法。該方法首先將圖像少量像素點(diǎn)分別標(biāo)記為葉片前景樣本和葉片背景樣本，然后根據(jù)樣本數(shù)據(jù)建立支持向量機(jī)分類決策模型，最后根據(jù)預(yù)測(cè)模型對(duì)整個(gè)圖像像素點(diǎn)進(jìn)行分類，將葉片圖像從背景中分割出來。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)蟹垂鈪^(qū)域的葉片實(shí)現(xiàn)準(zhǔn)確分割，相比基于聚類的葉片分割算法分割精度更好，算法耗費(fèi)時(shí)間更短。關(guān)鍵詞：葉片分割;支持向量機(jī);自然環(huán)境;反光區(qū)域中圖分類號(hào)：TP391.41? ? ?文獻(xiàn)標(biāo)識(shí)碼：ALeaf Image Se
軟件工程 2022年6期2022-06-11
- 支持向量機(jī)在舶航程智能終端節(jié)能降耗中的應(yīng)用
密切聯(lián)系;支持向量機(jī)是一種監(jiān)督分類方法學(xué)習(xí)三維加速度對(duì)應(yīng)的船舶狀態(tài)再通過支持向量機(jī)學(xué)習(xí)參數(shù)識(shí)別船舶的運(yùn)動(dòng)狀態(tài)以及修正三維傳感器激活閾值可以達(dá)到記錄運(yùn)動(dòng)軌跡的目的減少不必要的、北斗定位實(shí)現(xiàn)系統(tǒng)的節(jié)能降耗及航程記錄。關(guān)鍵詞三維加速度;支持向量機(jī);震動(dòng)識(shí)別;動(dòng)量;隨機(jī)梯度中圖法分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：AApplication of support vector machine in energy saving and consumptionreductio
計(jì)算機(jī)應(yīng)用文摘·觸控 2022年9期2022-06-09
- 用電異常行為預(yù)警方法
ans; 支持向量機(jī); 用電評(píng)分DOI：10.15938/j.jhust.2022.04.008中圖分類號(hào)： TM71文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 1007-2683（2022）04-0053-10Early Warning Method of Abnormal ElectricityConsumption Behavior Based on Data DrivenWAN Wei LIU Hongqi SUN Hong-chang ZHANG Feng WA
哈爾濱理工大學(xué)學(xué)報(bào) 2022年4期2022-05-30
- 信貸金融機(jī)構(gòu)的個(gè)人信用評(píng)估與管理
據(jù)集，建立支持向量機(jī)分類模型，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以后，訓(xùn)練合理高效的信用評(píng)估分類器，根據(jù)改變SVM模型中的核函數(shù)和訓(xùn)練樣本量，對(duì)比研究發(fā)現(xiàn)，SVM模型對(duì)個(gè)人信用風(fēng)險(xiǎn)的評(píng)估具有良好的分類效果，向商業(yè)銀行提出合理有效的建議，對(duì)推動(dòng)我國信用制度的建設(shè)和社會(huì)主義市場(chǎng)經(jīng)濟(jì)的發(fā)展有著重要的現(xiàn)實(shí)意義。關(guān)鍵詞：商業(yè)銀行;信用貸款;信用評(píng)估;支持向量機(jī)一、信用風(fēng)險(xiǎn)產(chǎn)生的原因隨著我國經(jīng)濟(jì)的蓬勃發(fā)展，更多的人選擇投資來獲取經(jīng)濟(jì)利益，然而在實(shí)際生活當(dāng)中投資者往往會(huì)面臨投資資金短缺
中國集體經(jīng)濟(jì) 2022年30期2022-05-30
- 一種基于HOG和SVM的人眼開閉狀態(tài)實(shí)時(shí)檢測(cè)方法
方法.利用支持向量機(jī)（SVM）方法構(gòu)造人臉識(shí)別分類器，設(shè)計(jì)一種基于面部坐標(biāo)點(diǎn)定位的方法，快速定位人眼區(qū)域，實(shí)現(xiàn)對(duì)駕駛員人眼閉合活動(dòng)的實(shí)時(shí)檢測(cè);利用PERCLOS疲勞判定標(biāo)準(zhǔn)判斷駕駛員是否存在疲勞駕駛行為.實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)可對(duì)疲勞駕駛進(jìn)行有效檢測(cè)，并及時(shí)做出警告提醒.關(guān)鍵詞：機(jī)器視覺; 疲勞駕駛檢測(cè); HOG特征; 支持向量機(jī); 面部坐標(biāo)[中圖分類號(hào)]TP391.4 ? [文獻(xiàn)標(biāo)志碼]A 隨著我國交通運(yùn)輸業(yè)和汽車產(chǎn)業(yè)的快速發(fā)展，駕駛安全成為了一個(gè)不可忽視
- 基于無人機(jī)多光譜與地面高光譜遙感的土壤主要養(yǎng)分含量估測(cè)
升。其中，支持向量機(jī)擬合模型效果最佳，R2均在0.75以上，適合用于土壤養(yǎng)分含量估測(cè)。 關(guān)鍵詞：土壤養(yǎng)分;多光譜;植被指數(shù);高光譜;支持向量機(jī) 中圖分類號(hào)：P237;S127? 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2022）02-0178-08收稿日期：2021-04-16基金項(xiàng)目：云南省教育廳科學(xué)研究基金（編號(hào)：2019Y0080、2020Y0177、2020Y186）。作者簡(jiǎn)介：楊棟淏（1997—），男，云南曲靖人，碩士研究生，主要從事資源
江蘇農(nóng)業(yè)科學(xué) 2022年2期2022-02-15
- 車載激光點(diǎn)云的道路邊界提取研究
激光點(diǎn)云;支持向量機(jī)（SVM）;法向量特征一、引言車載激光掃描系統(tǒng)是近幾年發(fā)展起來的高新技術(shù)。它具有數(shù)據(jù)獲取快、精度高、動(dòng)態(tài)探測(cè)范圍打、主動(dòng)性強(qiáng)等特點(diǎn)。道路場(chǎng)景具有數(shù)據(jù)量大且密度分布不均等特點(diǎn)[1]。目前，國內(nèi)外學(xué)者對(duì)于點(diǎn)云提取道路的方法：基于點(diǎn)云投影的道路提取、基于掃描線的道路點(diǎn)云提取方法、基于聚類分析的道路點(diǎn)云提取方法。方莉娜[2]提出基于掃描線進(jìn)行多窗口移動(dòng)濾波，主要考慮窗口點(diǎn)云的高度差異、掃描點(diǎn)密度以及累計(jì)坡度三個(gè)參數(shù)來提取點(diǎn)云道路邊界。劉健[3]
科技信息·學(xué)術(shù)版 2022年2期2022-01-13
- 基于支持向量機(jī)的水質(zhì)評(píng)估模型研究
深入研究了支持向量機(jī)（SVM）這一善于解決非線性問題的智能模型，設(shè)計(jì)了一種多寬度復(fù)合高斯核的支持向量機(jī)模型。該模型通過多個(gè)復(fù)合高斯核擴(kuò)大和控制核函數(shù)寬度，以此擴(kuò)大樣本間歐氏距離與差異，以解決小類的誤分問題。運(yùn)用MATLAB平臺(tái)對(duì)2017 年全國98 個(gè)重點(diǎn)斷面水質(zhì)周報(bào)數(shù)據(jù)進(jìn)行算法對(duì)比實(shí)驗(yàn)，結(jié)果證實(shí)多寬度核評(píng)估模型較好地提升了SVM的分類精度，對(duì)水質(zhì)分類問題是可行有效的，對(duì)其他小樣本分類問題也有一定的借鑒作用。關(guān)鍵詞：水質(zhì)評(píng)估;多寬度高斯核; 支持向量機(jī);參
軟件工程 2022年1期2022-01-04
- 一種新的支持向量機(jī)核參數(shù)選擇方法
趙劍摘要：支持向量機(jī)是近年來比較流行的一種機(jī)器學(xué)習(xí)方法，以其出色的學(xué)習(xí)性能在模式識(shí)別等領(lǐng)域得到廣泛應(yīng)用。核函數(shù)是支持向量機(jī)的核心部分，對(duì)其工作性能起到重要作用，其中核參數(shù)直接決定分類器識(shí)別率的高低?，F(xiàn)有的核參數(shù)選擇方法計(jì)算復(fù)雜度很高，因此本文介紹了一種新的跟蹤核參數(shù)路徑的算法，該方法從核參數(shù)的學(xué)習(xí)出發(fā)，為支持向量機(jī)解決模型選擇問題，記錄選用各個(gè)核參數(shù)得到的最優(yōu)解，而不是反復(fù)訓(xùn)練多個(gè)支持向量機(jī)，在一定程度上降低了計(jì)算復(fù)雜度，提高了學(xué)習(xí)效率。關(guān)鍵詞：支持向量機(jī)
科技信息·學(xué)術(shù)版 2021年1期2021-12-17
- 基于視覺詞袋模型的稻曲病發(fā)病程度感知
試集，采用支持向量機(jī)（SVM）建立稻曲病發(fā)病程度感知模型，感知精度為84.81%。結(jié)果表明，結(jié)合高光譜成像技術(shù)和視覺詞袋模型可以有效感知稻曲病發(fā)病程度，為稻曲病大面積自動(dòng)化監(jiān)測(cè)提供參考。關(guān)鍵詞：稻曲病;高光譜成像技術(shù);病害程度分析;視覺詞袋模型;支持向量機(jī);自動(dòng)化監(jiān)測(cè)中圖分類號(hào)： S127;TP391.4? 文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2021）22-0198-06收稿日期：2021-03-18基金項(xiàng)目：浙江省重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2021
江蘇農(nóng)業(yè)科學(xué) 2021年22期2021-12-08
- 樣本線性化與數(shù)據(jù)去重的極限學(xué)習(xí)機(jī)
簽數(shù)據(jù); 支持向量機(jī)文章編號(hào)： 2095-2163（2021）07-0024-08中圖分類號(hào)：TP181文獻(xiàn)標(biāo)志碼： AExtreme learning machine for sample linearization and data deduplicationZHANG Can， DAI Zibiao， AN Xin， LI Jianhua（School of Computer Science and Information Engineering，
智能計(jì)算機(jī)與應(yīng)用 2021年7期2021-12-07
- 基于遺傳算法-支持向量機(jī)的航電模塊故障分類研究
遺傳算法-支持向量機(jī)方法對(duì)DC-DC變換器進(jìn)行故障診斷分析。仿真驗(yàn)證了上述方法的有效性。關(guān)鍵詞：航電模塊；特征提??；支持向量機(jī)；故障診斷中圖分類號(hào)：V240.2文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.19452/j.issn1007-5453.2021.10.013基金項(xiàng)目：國家自然科學(xué)基金（61803309，61603303）；航空科學(xué)基金（20185553034）21世紀(jì)初，美軍在聯(lián)合攻擊戰(zhàn)斗機(jī)計(jì)劃中提出故障預(yù)測(cè)與健康管理（prognostics and heal
航空科學(xué)技術(shù) 2021年10期2021-11-26
- 基于SVM的文本情感傾向性智能分析方法
。關(guān)鍵詞：支持向量機(jī);文學(xué)文本;情感傾向;智能分析;特征提取中圖分類號(hào)：TP391? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2021）10-0016-041 引言文學(xué)文本表示組成文學(xué)語言藝術(shù)品的語言系統(tǒng)，是表達(dá)人生體驗(yàn)的特殊語言結(jié)構(gòu)，可分為詩歌、小說、散文等形式。隨著科學(xué)技術(shù)的日新月異，如何從海量文學(xué)作品中選出優(yōu)秀的文本對(duì)讀者而言非常重要。文本情感傾向分析是計(jì)算機(jī)、智能信息與自然語言處理領(lǐng)域中較為活躍的分支。通過對(duì)文本主觀內(nèi)容進(jìn)行過濾分析，識(shí)別并
- 基于機(jī)器學(xué)習(xí)的電影評(píng)分預(yù)測(cè)研究
重點(diǎn)研究了支持向量機(jī)（SVM）回歸預(yù)測(cè)對(duì)電影評(píng)分進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果MAE的值表明支持向量機(jī)（SVM）回歸預(yù)測(cè)在電影評(píng)分預(yù)測(cè)中取得較好的預(yù)測(cè)。關(guān)鍵詞：支持向量機(jī);MAE;回歸預(yù)測(cè)中圖分類號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2021）27-0109-03Abstract： In this paper， the film is one of the important ways of entertainment in people's da
電腦知識(shí)與技術(shù) 2021年27期2021-11-08
- 基于RPSO_SVM模型的年齡組識(shí)別
子群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化（RPSO_SVM），用于青年人、中年人、老年人等群體的年齡組識(shí)別，首先，使用主動(dòng)形狀模型提取人臉圖像中68個(gè)特征關(guān)鍵點(diǎn)，然后，使用改進(jìn)的RPSO_SVM模型對(duì)人臉圖像進(jìn)行年齡組識(shí)別，并在FG-NET數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明該方法對(duì)不同年齡群體的識(shí)別率較好。關(guān)鍵詞： 粒子群算法;支持向量機(jī);年齡組識(shí)別;主動(dòng)形狀模型;RPSO_SVM模型中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（202
電腦知識(shí)與技術(shù) 2021年25期2021-11-07
- 基于優(yōu)化支持向量機(jī)方法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究
首先闡述了支持向量機(jī)理論，然后針對(duì)其解決大樣本問題的低效性進(jìn)行了優(yōu)化，最后通過實(shí)驗(yàn)對(duì)比了優(yōu)化的支持向量機(jī)方法在風(fēng)速預(yù)測(cè)中的有效性和準(zhǔn)確性。關(guān)鍵詞：風(fēng)電場(chǎng);風(fēng)速預(yù)測(cè);支持向量機(jī)0??? 引言風(fēng)力發(fā)電作為波動(dòng)性能源，大量接入電網(wǎng)時(shí)需要接受電網(wǎng)的統(tǒng)一調(diào)度，而對(duì)能源進(jìn)行調(diào)度的前提是能掌握發(fā)電機(jī)的變化趨勢(shì)，當(dāng)前的預(yù)測(cè)技術(shù)基本基于相似日數(shù)據(jù)以及天氣數(shù)據(jù)進(jìn)行分析，并制訂相關(guān)調(diào)度計(jì)劃[1-2]。難以直接對(duì)風(fēng)力發(fā)電進(jìn)行預(yù)測(cè)的原因在于風(fēng)速變化的無序性，這直接導(dǎo)致了風(fēng)機(jī)轉(zhuǎn)速的不
機(jī)電信息 2021年26期2021-11-06
- 基于心電和腦電信號(hào)的壓力測(cè)量模型研究
;最后使用支持向量機(jī)和離散化后的數(shù)據(jù)訓(xùn)練模型，得到基于EEG信號(hào)的壓力分類模型。在二分類任務(wù)下達(dá)到了90.16%的精度，表明了生成標(biāo)簽和EEG模型的有效性。關(guān)鍵詞：ECG;EEG;支持向量機(jī);壓力測(cè)量中圖分類號(hào)：TN911.7? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2021）09-0093-04Research on Stress Measurement Model Based on ECG and EEG SignalsLIN Yin
現(xiàn)代信息科技 2021年9期2021-11-04
- 基于DGA支持向量機(jī)的變壓器故障診斷模型
了一種基于支持向量機(jī)的電力變壓囂故障診斷方法，并構(gòu)建了相應(yīng)的數(shù)學(xué)模型。仿真結(jié)果表明，該模型能有效提高變壓器故障診斷的準(zhǔn)確率。關(guān)鍵詞：支持向量機(jī);變壓器;數(shù)學(xué)模型;故障診斷引言變壓器類設(shè)備作為整個(gè)復(fù)雜的電力系統(tǒng)最基本、最關(guān)鍵的電器元件，其可靠性直接關(guān)系到電力系統(tǒng)的安全運(yùn)行。而對(duì)變壓器類設(shè)備的可靠運(yùn)行起著決定性作用的是設(shè)備內(nèi)絕緣的礦油型絕緣油（通常稱為“變壓器油”）。因此對(duì)變壓器類設(shè)備進(jìn)行基于變壓器油信息的故障診斷，明確變壓器故障類型，對(duì)于變壓器的安全可靠運(yùn)行
裝備維修技術(shù) 2021年36期2021-10-25
- 基于車標(biāo)區(qū)域的智能識(shí)別方法研究
提取，采用支持向量機(jī)（SVM）對(duì)車標(biāo)特征矢量進(jìn)行分類識(shí)別。通過從監(jiān)控視頻中分割出來的10 類車標(biāo)、826 張車標(biāo)圖像對(duì)算法效果進(jìn)行評(píng)估，實(shí)驗(yàn)結(jié)果表明，支持向量機(jī)的核函數(shù)選擇線性核函數(shù)，識(shí)別率達(dá)到95%，優(yōu)于徑向基核函數(shù)和多項(xiàng)式核函數(shù)。比較了單一特征（HOG或LBP）與聯(lián)合特征（HOG-LBP）對(duì)車標(biāo)的識(shí)別率，聯(lián)合特征對(duì)車標(biāo)的識(shí)別率達(dá)到97.27%，識(shí)別率最高?；贖OG-LBP聯(lián)合特征車標(biāo)區(qū)域的智能識(shí)別方法，同時(shí)利用HOG與LBP的特征優(yōu)勢(shì)，提高了車標(biāo)識(shí)別
軟件工程 2021年10期2021-10-09
- 基于SVM和GA-SVM的個(gè)人信用評(píng)估模型研究
方法，先用支持向量機(jī)（SVM）算法對(duì)個(gè)人的信用進(jìn)行評(píng)估，然后再采用遺傳算法對(duì)支持向量機(jī)進(jìn)行優(yōu)化（GA-SVM），并進(jìn)行實(shí)證分析。實(shí)證結(jié)果顯示，采用GA-SVM模型對(duì)個(gè)人信用進(jìn)行評(píng)估的效果比SVM的效果更好。關(guān)鍵詞：支持向量機(jī);遺傳算法;GA-SVM;優(yōu)化算法。中圖分類號(hào)：F832.41? 引言隨著大數(shù)據(jù)時(shí)代的不斷發(fā)展，數(shù)據(jù)共享已經(jīng)成為了一種趨勢(shì)，這也滲透到各行各業(yè)的發(fā)展中去了。我們的生活方式在逐步改變，就拿消費(fèi)行為來說，人類社會(huì)已經(jīng)從以物換物的時(shí)代走進(jìn)了貨
甘肅科技縱橫 2021年8期2021-09-22
- 基于PSO-SVM的水工隧洞施工成本預(yù)測(cè)
SO）優(yōu)化支持向量機(jī)（SVM）模型中的懲罰因子C和核函數(shù)參數(shù)g，建立基于PSO-SVM的水工隧洞施工成本預(yù)測(cè)模型。對(duì)比SVM模型的預(yù)測(cè)結(jié)果發(fā)現(xiàn)，PSO-SVM模型的平均絕對(duì)百分比誤差和均方根誤差更小，訓(xùn)練速度更快，預(yù)測(cè)效果更好。關(guān)鍵詞：成本預(yù)測(cè);支持向量機(jī);粒子群算法;水工隧洞中圖分類號(hào)：TV554文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.3969/j.issn.1000-1379.2021.09.031引用格式：劉英杰，聶章琴，王博，等.基于PSO-SVM的水工隧洞施
人民黃河 2021年9期2021-09-22
- 基于支持向量機(jī)的機(jī)械設(shè)備故障診斷研究
不高，但是支持向量機(jī)能夠?qū)π颖具M(jìn)行故障診斷分析，文章將研究基于支持向量機(jī)的機(jī)械設(shè)備故障診斷，通過對(duì)支持向量機(jī)多類分類算法中的二叉樹進(jìn)行改進(jìn)，然后選擇合適的核函數(shù)并對(duì)其相關(guān)參數(shù)進(jìn)行優(yōu)化，最后將改進(jìn)的方法應(yīng)用到旋轉(zhuǎn)機(jī)械故障診斷中，結(jié)果表明能夠得到比較好的診斷效果。關(guān)鍵詞：支持向量機(jī);機(jī)械設(shè)備;故障診斷中圖分類號(hào)：TH17? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2021）09-0129-04Research on Fault Diagno
粘接 2021年9期2021-09-22
- 人工智能算法在銀行信用貸款業(yè)務(wù)的應(yīng)用綜述
神經(jīng)網(wǎng)絡(luò);支持向量機(jī);決策樹本文索引：李雨蔓，衛(wèi)恒軍.[J].中國商論，2021（18）：-132.中圖分類號(hào)：F275.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2021）09（b）--031 引言金融科技方興未艾，隨著人工智能和互聯(lián)網(wǎng)金融的迅速發(fā)展，傳統(tǒng)金融業(yè)的生存基礎(chǔ)受到了沖擊，商業(yè)銀行也在不斷通過探索和運(yùn)用人工智能等新技術(shù)進(jìn)行創(chuàng)新。商業(yè)銀行的貸款審批也可以通過多種人工智能方法獲得性能更優(yōu)、預(yù)測(cè)更準(zhǔn)確的模型。信用評(píng)級(jí)與預(yù)測(cè)對(duì)商業(yè)銀行貸款決策有
中國商論 2021年18期2021-09-22
- 基于機(jī)器學(xué)習(xí)的主要汽車生產(chǎn)國外匯交易數(shù)據(jù)研究
對(duì)比分析了支持向量機(jī)、隨機(jī)森林、以及XGBoost模型對(duì)外匯交易數(shù)據(jù)評(píng)估的預(yù)測(cè)能力。研究結(jié)果表明XGBoost要優(yōu)于傳統(tǒng)的支持向量機(jī)和隨機(jī)森林。關(guān)鍵詞：外匯交易 支持向量機(jī) 隨機(jī)森林 XGBoostResearch on Foreign Exchange Data of Main Automobile Production based on Machine LearningBai Yupei Zhang Zhiyang Tang Tingzong Zhan
時(shí)代汽車 2021年18期2021-09-17
- 基于改進(jìn)支持向量機(jī)的復(fù)雜背景交通標(biāo)志實(shí)時(shí)分類方法
出基于改進(jìn)支持向量機(jī)提出一種復(fù)雜背景交通標(biāo)志實(shí)時(shí)分類方法。預(yù)處理采集到的圖像，檢測(cè)和定位交通標(biāo)志，利用梯度直方圖提取特征向量。通過改進(jìn)支持向量機(jī)將圖像特征向量投影到線性數(shù)據(jù)空間，完成交通標(biāo)志實(shí)時(shí)分類。實(shí)驗(yàn)結(jié)果表明，此次設(shè)計(jì)方法的分類正確率比基于BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和YOLOv3的方法高出10.2%、8.1%和7.2%，具有良好的應(yīng)用性。關(guān)鍵詞：支持向量機(jī);復(fù)雜背景;交通標(biāo)志;實(shí)時(shí)分類;特征提取;圖像處理中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A0
交通科技與管理 2021年26期2021-09-15
- 基于方向梯度直方圖特征的車臉識(shí)別方法研究
法，并采用支持向量機(jī)（SVM）對(duì)車標(biāo)特征向量進(jìn)行了分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，只有選擇適當(dāng)?shù)腍OG特征參數(shù)，才能提高車型識(shí)別率。關(guān)鍵詞：車臉識(shí)別;視頻識(shí)別;方向梯度直方圖;支持向量機(jī)中圖分類號(hào)：TP311.5? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-1472（2021）-09-38-06Abstract： With the digital and intelligent development of road monitoring system， vehic
軟件工程 2021年9期2021-09-13
- 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的音樂流派分類
特征提取;支持向量機(jī);梅爾頻率倒譜系數(shù)中圖分類號(hào)：TP39? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-1472（2021）-09-17-04Abstract： Classification models of traditional music genre have problems of unstable performance and low classification accuracy caused by single characteristic
軟件工程 2021年9期2021-09-13
- 基于機(jī)器學(xué)習(xí)的情感分析方法及應(yīng)用研究綜述
BERT;支持向量機(jī);卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TP391.1? ? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-1472（2021）-09-21-03Abstract： In order to further understand the development trend of sentiment analysis， this paper proposes first to sort out sentiment analysis methods of machi
軟件工程 2021年9期2021-09-13
- 基于機(jī)器學(xué)習(xí)算法的中小企業(yè)信用評(píng)估研究
隨機(jī)森林和支持向量機(jī)兩種機(jī)器學(xué)習(xí)算法的信用預(yù)測(cè)模型，并引入ACC、AUC以及FNR評(píng)價(jià)指標(biāo)來衡量模型預(yù)測(cè)的效果。對(duì)比實(shí)驗(yàn)表明，基于隨機(jī)森林的信用預(yù)測(cè)模型較支持向量機(jī)模型具有更好的預(yù)測(cè)效果，證實(shí)了模型的優(yōu)越性。關(guān)鍵詞：隨機(jī)森林;支持向量機(jī)（SVM）;信用評(píng)估模型;中小企業(yè)0 引言中小微企業(yè)在吸收社會(huì)就業(yè)和促進(jìn)經(jīng)濟(jì)發(fā)展方面逐漸發(fā)揮著越來越重要的作用[1]，而中小企業(yè)本身內(nèi)外部的局限性也使其始終面臨著嚴(yán)重的融資缺口。在此背景下，各金融企業(yè)放寬了對(duì)其貸款力度，但信
無線互聯(lián)科技 2021年12期2021-09-13