搜索结果: 1-13 共查到“兵器科学与技术 支持向量机”相关记录13条 . 查询时间(0.122 秒)
基于飞机历史运营数据,从参数识别、数据集构建、参数提取优化等方面给出了重着陆风险预警的数据处理方法;基于自适应变异粒子群参数寻优方法改进支持向量机分类模型,提出重着陆风险预警模型;以某A320机队历史运营数据为例,建立重着陆风险预警模型并给出预警功能实现过程。针对重着陆风险预警的研究可为飞行员操作、飞机维修计划的制定与实施提供参考依据,有效降低飞机运营风险。
支持向量机遥感图像几何校正中的不同核函数算法比较
向量机遥感图像 几何校正 核函数 算法比较
2012/8/31
支持向量机遥感图像近似几何校正算法可有效提高遥感图像校正的精度,是目前比较有效的遥感图像近似几何校正方法?对不同核函数支持向量机遥感图像近似几何校正算法的实验结果进行比较分析表明:基于RBF核函数的支持向量机遥感图像几何校正算法....
支持向量机遥感图像几何校正中的不同核函数算法比较
遥感图像 几何校正 支持向量机
2012/8/17
支持向量机遥感图像近似几何校正算法可有效提高遥感图像校正的精度,是目前比较有效的遥感图像近似几何校正方法?对不同核函数支持向量机遥感图像近似几何校正算法的实验结果进行比较分析表明:基于RBF核函数的支持向量机遥感图像几何校正算法....
代价敏感支持向量机的投影次梯度求解方法
不均衡数据 代价敏感 支持向量机 大规模数据
2011/12/17
针对传统的分类算法以及精度作为评价指标不能够满足现实分类问题的需要,将代价敏感方法引入支持 向量机中,提出一种新的学习算法CSSVM,并得到了类似于Pegasos 的投影次梯度求解方法,用于大规模数据的处 理。Pegasos 的步骤包括初始化、迭代、确定梯度下降的步长、确定梯度下降方向、更新、投影和结束。实验结果表 明,该算法能有效提高识别率和识别精度,具有一定的竞争力。
基于分层聚类的支持向量机模拟电路故障诊断
支持向量机 多分类 遗传粒子群算法
2011/7/6
提出分层聚类与支持向量机集成的算法, 以多级二叉树结构的 S V M实现故障的分级诊断。根据最大间隔距离原则, 对各故障模式电路特征的逐次聚类二分获得二叉树, 使每个节点的 S V M具有最大分类间隔, 减少了误差积累,从而优化了 S V M的组合策略。聚类上利用遗传粒子群算法对样本进行聚类。经模拟电路仿真结果显示, 该方法与一对一、 一对多方法相比, 在不影响分类精度下, 减少测试时间, 降低模...
基于多核优选的装备费用支持向量机预测法
装备 费用 支持向量机
2011/4/26
针对支持向量机的核函数选择存在盲目性问题, 提出多核优选的装备费用支持向量机预测方法。在不同核函数条件下, 以提高推广能力拟合精度为目标, 结合变步长多层次搜索算法选择最佳参数, 确定拟合效果, 通过判断选择最佳核函数。实例计算表明, 多核优选的支持向量机预测方法精度高, 通用性好。
基于支持向量机的装备维修保障专业优化
装备保障 专业优化 相似度
2010/5/22
新的战争形式客观上要求对武器装备实施一体化综合保障,而现有的装备保障专业已不能满足要求。为 此,采用支持向量机法对文本进行了分类,求取了装备维修保障专业间的相似度,并对装备维修保障专业的合 并、重组提出了建议
基于粗糙集的支持向量机回归建模及应用
粗糙集 支持向量机 船舶
2010/5/8
为提高船舶费用建模的精度,找出影响船舶费用建模的相对重要因素,减少各因素之间的相关性对费用模 型的影响,提出用粗糙集理论改进支持向量机的建模方法。对数据进行一般约简,去除冗余信息,再进行支持向 量机建模预测,建立费用预测模型。实例计算表明,粗糙集改进支持向量机方法的建模精度高,通用性强。
为解决系统阶次较高时Kalman滤波实时性较差的问题,提出将LSSVM应用于舰载机惯导系统的传递对准。利用Kalman滤波的输入、输出作为LSSVM滤波的样本值进行训练,得到了滤波的输出值,实现了惯导传递对准中的滤波功能。仿真结果表明将LSSVM用于传递对准,有效地降低了系统的解算时间,提高了系统的实时性。
支持向量机(SVM)是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。
基于支持向量机的雷达高分辨距离像识别
支持向量机 高分辨距离像 雷达目标识别 匹配相关法
2008/5/31
以支持向量机(SVM)作为分类器,研究了雷达目标高分辨距离像(HRRP)分类法,设计了相应的预处 理算法,提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP 数据,比较了 SVM 分类法和匹配相关分类法性能,实验结果表明SVM 算法在目标姿态的稳定性、对训练集大小的稳定性 和抗噪能力方面都占有相当优势。