-
機器學(xué)習(xí)基本算法原理
機器學(xué)習(xí)將是下述內(nèi)容的主要介紹對象，通過這篇文章，小編希望大家可以對機器學(xué)習(xí)的相關(guān)情況以及信息有所認識和了解，詳細內(nèi)容如下。
-
基于優(yōu)化支持向量機方法的風(fēng)電場風(fēng)速預(yù)測研究
摘要:隨著全社會用電量的逐步增大以及國家雙碳戰(zhàn)略的逐漸落地,可再生能源的高效利用成為當前發(fā)展階段需要不斷探索的問題。由于存在無序性,風(fēng)力發(fā)電難以大規(guī)模接入電網(wǎng)系統(tǒng),若能有效預(yù)測風(fēng)電場的出力并進行統(tǒng)一調(diào)度,將大幅提高風(fēng)力發(fā)電利用率。基于此,首先闡述了支持向量機理論,然后針對其解決大樣本問題的低效性進行了優(yōu)化,最后通過實驗對比了優(yōu)化的支持向量機方法在風(fēng)速預(yù)測中的有效性和準確性。
-
基于煙花算法優(yōu)化SVM的變壓器故障診斷
摘要:提出了一種基于煙花算法優(yōu)化支持向量機的變壓器故障診斷模型。標準的支持向量機是二分類,現(xiàn)對其進行非線性處理及多分類變換,使其能適用于變壓器故障分類。針對支持向量機參數(shù)難以確定的情況,采用煙花算法優(yōu)化支持向量機,從而搭建煙花算法優(yōu)化支持向量機的故障診斷模型。實驗分析結(jié)果表明,所提方法的故障診斷準確率優(yōu)于其他算法。最后,進一步將算法用于機器學(xué)習(xí)的其他標準數(shù)據(jù)集,證明了該算法具有泛化性。
-
一種基于多特征量的直流電弧故障檢測方法
摘 要：文中提出了一種基于支持向量機SVM分類器的直流電弧故障檢測方法與若干可用于直流電弧故障檢測的時域、頻域特征量，特別是基于希爾伯特-黃變換的時頻域特征。將特征值導(dǎo)入SVM分類器進行訓(xùn)練后，SVM分類器可檢測出直流電弧故障。在SVM分類器的設(shè)計和訓(xùn)練過程中，采用遺傳算法參數(shù)尋優(yōu)結(jié)合K折交叉驗證選取最優(yōu)參數(shù)。實驗結(jié)果表明， SVM分類器的分類準確率高達98%以上。
-
淺析人臉檢測技術(shù)的探究
摘 要：通過對支持向量機、人工神經(jīng)網(wǎng)絡(luò)及AdaBoost算法的對比分析，發(fā)現(xiàn)支持向量機、人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)造的分類器復(fù)雜度高，效率低。而AdaBoost則從弱分類器中逐步推選出強分類器并組成級聯(lián)分類器，快速將大量的非人臉圖像排除掉，從而提高檢測速度，滿足人臉實時檢測應(yīng)用領(lǐng)域的需求。
-
什么是支持向量機 什么是支持向量
支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一 種監(jiān)督式學(xué)習(xí)的方法，它廣泛的應(yīng)用于統(tǒng)計分類以及回歸分析中。 支持向量機（Sup
-
機器學(xué)習(xí)中有哪一些算法是經(jīng)常用的
AI技術(shù)發(fā)展的三大支柱：“算法＋大數(shù)據(jù)＋計算能力”，算法是人工智能發(fā)展的核心關(guān)鍵之一，很多技術(shù)環(huán)節(jié)和系統(tǒng)功能的實現(xiàn)都依賴于算法的精準度，算法的優(yōu)劣直接影響了人工智能的發(fā)展方向。那么我們當下感受到
-
基于支持向量機的聯(lián)機手寫識別
本文結(jié)合GDTW核函數(shù)和聯(lián)機手寫識別樣本的特征向量的特點，引入新的控制參數(shù)優(yōu)化GDTW核函數(shù)的計算。實驗結(jié)果表明，本文提出的優(yōu)化方法不僅減少了支持向量的數(shù)目，而且提高了GDTW-SVM運行效率。
-
基于RNS和SVM的斷路器故障診斷研究
針對高壓斷路器故障樣本難以獲取等問題，在研究了其機械特性的基礎(chǔ)上，本文提出了一種基于實數(shù)陰性選擇法(RNS)和支持向量機(SVM)的兩級分類器診斷方法。建立分類器的數(shù)學(xué)模型。通過實數(shù)陰性選擇算法產(chǎn)生檢測器，進行第一次分類，對不屬于檢測器的數(shù)據(jù)導(dǎo)入二次分類器，進行二級分類。實驗表明，基于實數(shù)陰性算法和支持向量機算法相結(jié)合的斷路器故障診斷算法，對斷路器的多種故障都能夠有效地分類，提高了斷路器故障診斷的準確率和速度。
-
基于支持向量機的沼氣中CH4濃度預(yù)測
摘要：組建了沼氣檢測的實驗系統(tǒng)，采用國家標準混合氣獲取大量的濃度標定數(shù)據(jù)，分析了目前廣泛應(yīng)用的甲烷濃度預(yù)測算法及影響預(yù)測結(jié)果的因素，討論了支持向量機在CH4濃度預(yù)測中的應(yīng)用，在此基礎(chǔ)上研究了將多通道探測器
-
基于支持向量機的無人機視覺障礙檢測
摘要：自主障礙檢測與回避是無人機低高度飛行時保障其生存性的一項關(guān)鍵技術(shù)，有重要的研究意義。通過對機器視覺原理的研究，考慮到支持向量機方法能同時減小匹配難度和計算量，實時性能、泛化性能良好，故采用該方法
-
改進遺傳算法的支持向量機特征選擇解決方案介紹
支持向量機是一種在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來的機器學(xué)習(xí)方法[1]，通過學(xué)習(xí)類別之間分界面附近的精確信息,可以自動尋找那些對分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔最大化,因而
-
基于改進遺傳算法的支持向量機特征選擇
引言 支持向量機是一種在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來的機器學(xué)習(xí)方法[1]，通過學(xué)習(xí)類別之間分界面附近的精確信息,可以自動尋找那些對分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔最大
-
一種基于SVM的數(shù)字儀表顯示值識別方法
數(shù)字儀表識別在工業(yè)中應(yīng)用廣泛，但各種儀表差別較大，方法也差別很多。在此提出了一種數(shù)字儀表顯示值的快速識別方法，該方法首先由計算機自動定位分割圖像中的數(shù)字區(qū)域，并實現(xiàn)了單個數(shù)字的切分，然后根據(jù)數(shù)字特點，創(chuàng)新性地改進了特征提取方法，對每個數(shù)字圖像提取了一組具有較高區(qū)分度，且計算簡單的典型特征。最后，基于SVM識別，構(gòu)造了一種數(shù)字識別器，實現(xiàn)了儀表顯示值的實時識別。
-
基于SVM的傳感器非線性特性校正新方法
摘 要：介紹了一種基于支持向量機的解決傳感器系統(tǒng)非線性特性問題的新方法。支持向量機是Vapnik教授提出的基于統(tǒng)計學(xué)習(xí)理論的新一代機器學(xué)習(xí)技術(shù)，它有效地解決了小樣本學(xué)習(xí)問題，因此該方法對樣本數(shù)量沒有特殊的要
-
支持向量機語音識別算法在OMAP5912上的移植
針對語音識別這種典型的多類分類問題，提取MFCC參數(shù)作為語音特征，采用支持向量機(SVM)作為識別算法，進行非特定人孤立詞識別。在給出一種多類分類方法并分析該算法優(yōu)缺點的基礎(chǔ)上，對算法中的所有參數(shù)進行測試，選取最佳參數(shù)進行實驗，識別率達到95％以上。為了滿足語音識別系統(tǒng)對實時性和便攜性的要求，將該算法在OMAP5912嵌入式系統(tǒng)開發(fā)平臺上進行實現(xiàn)，與傳統(tǒng)的語音識別系統(tǒng)相比，該系統(tǒng)易于使用，語音識別更為快速使捷，并且具有一定的通用性。
-
支持向量機語音識別算法在OMAP5912上的移植
針對語音識別這種典型的多類分類問題，提取MFCC參數(shù)作為語音特征，采用支持向量機(SVM)作為識別算法，進行非特定人孤立詞識別。在給出一種多類分類方法并分析該算法優(yōu)缺點的基礎(chǔ)上，對算法中的所有參數(shù)進行測試，選取最佳參數(shù)進行實驗，識別率達到95％以上。為了滿足語音識別系統(tǒng)對實時性和便攜性的要求，將該算法在OMAP5912嵌入式系統(tǒng)開發(fā)平臺上進行實現(xiàn)，與傳統(tǒng)的語音識別系統(tǒng)相比，該系統(tǒng)易于使用，語音識別更為快速使捷，并且具有一定的通用性。
-
支持向量機語音識別算法在OMAP5912上的移植
支持向量機語音識別算法在OMAP5912上的移植
-
改進遺傳算法的支持向量機特征選擇解決方案
支持向量機是一種在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來的機器學(xué)習(xí)方法[1]，通過學(xué)習(xí)類別之間分界面附近的精確信息,可以自動尋找那些對分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔最大化,
-
基于改進遺傳算法的支持向量機特征選擇
引言 支持向量機是一種在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展而來的機器學(xué)習(xí)方法[1]，通過學(xué)習(xí)類別之間分界面附近的精確信息,可以自動尋找那些對分類有較好區(qū)分能力的支持向量,由此構(gòu)造出的分類器可以使類與類之間的間隔
