公共文化服务平台

搜索到25013篇“ 线性支持向量机“的相关文章

基于非线性支持向量机的配电网带电检测方法被引量：1: 2024年; 由于现有方法在配电网带电检测中应用效果不佳,不仅灵敏度比较低,而且特异度也比较低,无法达到预期的检测效果,本文提出基于非线性支持向量机的配电网带电检测方法。采用压缩感知算法对原始配电网电气信号处理,减少样本数据量,构造配电网数据序列样本集,利用小波去噪技术对数据序列样本去噪处理,利用非线性支持向量机对电气信号分类,识别检测异常信号,以此完成配电网带电检测。经实验证明,设计方法灵敏度与特异度均在90%以上,检测精度较高,在配电网带电检测方面具有良好的应用前景。; 周斌吴敏; 关键词：配电网带电检测

一种基于YOLOv7网络及线性支持向量机SVM的火灾预警方法: 本发明公开了一种基于YOLOv7网络及线性支持向量机SVM的火灾预警方法，包括收集关于火灾的视频图像；利用YOLOv7网络对图像进行目标检测，输出目标边界框位置；对目标边界框进行筛选以构建多维特征向量；对图像设立标签；将...; 仲天野陈孝宇谢巍赵新宇张家辉王海燕孙攀峰

基于线性支持向量机的温室害虫智能识别系统被引量：1: 2023年; 针对温室现场采集的害虫粘虫板图像易受光照不均匀、灯光反射等干扰,从而影响识别精度的问题,基于图像分割算法与线性支持向量机构建一个温室害虫智能识别系统。该系统利用Prewitt边缘检测二值图、Canny边缘检测二值图融合全局阀值分割的方法实现粘虫板图像中害虫区域的精准分割。基于分割的害虫图像人工构建线性支持向量机的训练数据集,并根据飞虱、蓟马特征将单个样本特征提取扩充至12个;基于扩充的训练数据集构建基于线性支持向量机的害虫识别分类器,并使用梯度下降法进行模型训练。实验结果表明,该系统可快速准确地实现粘虫板图像中害虫目标区域的分割,平均准确率为96.3%;针对分割后的图像,该系统可准确实现害虫识别,平均准确率为96.1%,其中飞虱、蓟马的识别准确率分别为95.4%、96.8%。; 刘豹李翌李峰鲍煦; 关键词：边缘检测支持向量机温室害虫害虫识别

一种基于非线性支持向量机的宽带瞬态信号检测方法: 本发明公开了一种基于非线性支持向量机的宽带瞬态信号检测方法，基于支持向量机对水下运动目标辐射噪声的谱图进行高维空间下的最优划分，选择出合适的高斯核，再基于该高斯核，利用时频单元沿频率轴的相似性/相异性来检测随时间的突然变...; 赵俊杰殷冰洁石海泉罗金旺

非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法: 本发明提出一种非线性支持向量机多特征量化及模型参数寻优重构心源性猝死风险因子的系统及方法，包括对心源性猝死心电信号数据集和正常窦性心律心电信号数据集进行数据预处理；对处理好的心电数据集进行心电波形检测；对心源性猝死风险因...; 王量弘邹玉熠余燕婷谢朝鑫丁林娟杨涛

协变量随机缺失下的分布式线性支持向量机的统计推断: 在处理二分类问题时,我们常用支持向量机这种统计学习方法。而在实际问题中,可能由于各种原因导致数据出现缺失,这也是我们在对数据进行分析和建模时所需要的面临的一大问题。不仅如此,随着现代科学技术的快速发展,数据每时每刻都在急...; 白宇梁; 关键词：线性支持向量机

基于线性支持向量机的文本分类应用研究被引量：6: 2020年; 目前基于机器学习的文本分类方法得到了广泛应用,线性支持向量机是处理高维稀疏数据的有效机器学习方法之一。本文利用公共文本数据集进行了分类实验,对线性支持向量机与传统支持向量机在文本分类时的训练时间和分类准确率进行了对比分析,结果表明线性支持向量机具有更快的训练速度和更好的泛化能力。; 杨锋; 关键词：线性支持向量机文本分类

基于非线性支持向量机的隧道煤与瓦斯突出危险性预测被引量：9: 2020年; 为了有效地预测桃子垭隧道揭煤段是否存在煤与瓦斯突出危险性,文章根据煤与瓦斯突出综合假说及《防治煤与瓦斯突出规定》,确定了影响煤与瓦斯突出的9个关键因素。由于评价因子与突出危险程度之间存在着复杂的非线性映射关系,因此选择了非线性支持向量机(SVM)方法对隧道煤与瓦斯突出危险性进行预测研究。结合项目实际情况确定了各训练样本的具体参数,采用单项指标法、最优分类决策函数及MATLAB SVM Toolbox软件对选定的训练样本进行了煤与瓦斯突出危险性预测对比。通过N7和N8两个测点的预测结果表明,桃子垭隧道揭煤段存在煤与瓦斯突出危险性,必须做好相应的揭煤防突工作。; 朱宝合郑邦友戴亦军刘灿; 关键词：瓦斯隧道煤与瓦斯突出

基于深度学习特征和非线性支持向量机的板材表面缺陷识别方法被引量：11: 2019年; 深度学习是一种有效的特征学习方法,具有很强的自主学习能力。研究了基于深度学习特征与非线性支持向量机(NSVM)分类算法相结合的板材表面缺陷识别方法。首先,针对深度学习模型需要海量训练数据的特性,使用旋转剪切的方法对采集到的原始板材表面缺陷图像进行数据扩增;其次,使用扩增后的板材表面缺陷图像数据集对笔者提出的深度卷积神经网络(CNN)模型进行训练,并使用训练好的网络提取不同种类缺陷图像的深度特征;然后,为了消除深度特征中的冗余数据,并增强数据的表达能力,运用基于1范数的非贪婪主成分分析(Non-greedy PCA-L1)算法对板材的深层语义特征进行特征降维和特征增强;最后,运用增强后的深度特征训练NSVM模型,并使用训练好的NSVM模型对原始板材表面缺陷图像的测试集进行分类。实验结果表明,笔者提出的识别方法具有较好的鲁棒性和实用性,可取得目前较好的分类效果,针对结疤、压痕和无损3种板材表面缺陷识别率可达99%以上。; 高琳明徐风李享徐姗姗窦立君; 关键词：特征提取支持向量机

基于线性支持向量机的分类方法及装置: 本发明实施例提供一种基于线性支持向量机的分类方法及装置。本发明基于线性支持向量机的分类方法，包括：获取训练数据中各样本点的贡献值，所述贡献值表示所述样本点对获取线性支持向量机SVM模型的重要程度；根据所述各样本点的贡献值...; 兰亮曾嘉袁明轩

相关作者