针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(improved red fox optimization,IRFO)的支持向量机回归(support vector regression,SVR)的船舶备件预测模型。为进一步提高红狐...针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(improved red fox optimization,IRFO)的支持向量机回归(support vector regression,SVR)的船舶备件预测模型。为进一步提高红狐优化算法(red fox optimization,RFO)的寻优精度,重构其全局搜索公式,并融合精英反向学习策略。采用基准测试函数对IRFO算法进行仿真实验,实验表明,IRFO算法比RFO算法、粒子群算法、灰狼优化算法寻优能力更强,综合性能更优。基于船舶备件历史数据,建立IRFO-SVR船舶备件预测模型,通过对比其他模型的预测结果,表明IRFO-SVR的预测效果更佳。展开更多
针对手势识别由于分割效果差,导致识别率较低等问题,提出基于改进支持向量机的动态多点手势动作识别方法。选用深度阈值法分割动态多点手势图像,提取出手掌中最大的圆细化手部区域,获取7维手部HOG(Histogram of Oriented Gradients)特...针对手势识别由于分割效果差,导致识别率较低等问题,提出基于改进支持向量机的动态多点手势动作识别方法。选用深度阈值法分割动态多点手势图像,提取出手掌中最大的圆细化手部区域,获取7维手部HOG(Histogram of Oriented Gradients)特征向量,完成手势动作图像预处理。引入支持向量机,并且通过误差项改进该算法。采用改进后的支持向量机最优线性分类特征向量,利用支持向量机输入分类后的手势特征向量,实现动态多点手势动作识别。实验结果表明,所提方法受光照影响波动小,在有光照情况下,识别率达到92.5%以上,而无光照情况下,识别率仍高于90.0%,并且图像分割信息完整、识别准确性高。展开更多
基于Wi-Fi感知的室内入侵检测系统是一种无需在移动实体上附加任何设备即可检测移动实体的系统。针对目前检测方法忽略复杂的幅度变化和相位变化引起的潜在影响,提出了融合长短期记忆网络和支持向量机的室内入侵检测新方法LSID(Long Sho...基于Wi-Fi感知的室内入侵检测系统是一种无需在移动实体上附加任何设备即可检测移动实体的系统。针对目前检测方法忽略复杂的幅度变化和相位变化引起的潜在影响,提出了融合长短期记忆网络和支持向量机的室内入侵检测新方法LSID(Long Short-Term Memory and Support Vector Machine Intrusion Detection)。LSID方法采用一种新的特征值建模方式,利用长短期记忆网络可以学习到时序特征并且能捕捉时序信号长期的依赖关系,将信道状态信息真实值与长短期记忆神经网络的预测值之差作为特征值,能更准确地捕捉入侵者对信号状态信息的影响。该检测方法在学校实验室环境下经过多次实验验证,最终检测准确率达到99.21%,通过多组实验比对,结果显示LSID方法具有有效性和可行性,相比于其他入侵检测方法准确率明显提升。展开更多
文摘针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(improved red fox optimization,IRFO)的支持向量机回归(support vector regression,SVR)的船舶备件预测模型。为进一步提高红狐优化算法(red fox optimization,RFO)的寻优精度,重构其全局搜索公式,并融合精英反向学习策略。采用基准测试函数对IRFO算法进行仿真实验,实验表明,IRFO算法比RFO算法、粒子群算法、灰狼优化算法寻优能力更强,综合性能更优。基于船舶备件历史数据,建立IRFO-SVR船舶备件预测模型,通过对比其他模型的预测结果,表明IRFO-SVR的预测效果更佳。
文摘针对手势识别由于分割效果差,导致识别率较低等问题,提出基于改进支持向量机的动态多点手势动作识别方法。选用深度阈值法分割动态多点手势图像,提取出手掌中最大的圆细化手部区域,获取7维手部HOG(Histogram of Oriented Gradients)特征向量,完成手势动作图像预处理。引入支持向量机,并且通过误差项改进该算法。采用改进后的支持向量机最优线性分类特征向量,利用支持向量机输入分类后的手势特征向量,实现动态多点手势动作识别。实验结果表明,所提方法受光照影响波动小,在有光照情况下,识别率达到92.5%以上,而无光照情况下,识别率仍高于90.0%,并且图像分割信息完整、识别准确性高。
文摘基于Wi-Fi感知的室内入侵检测系统是一种无需在移动实体上附加任何设备即可检测移动实体的系统。针对目前检测方法忽略复杂的幅度变化和相位变化引起的潜在影响,提出了融合长短期记忆网络和支持向量机的室内入侵检测新方法LSID(Long Short-Term Memory and Support Vector Machine Intrusion Detection)。LSID方法采用一种新的特征值建模方式,利用长短期记忆网络可以学习到时序特征并且能捕捉时序信号长期的依赖关系,将信道状态信息真实值与长短期记忆神经网络的预测值之差作为特征值,能更准确地捕捉入侵者对信号状态信息的影响。该检测方法在学校实验室环境下经过多次实验验证,最终检测准确率达到99.21%,通过多组实验比对,结果显示LSID方法具有有效性和可行性,相比于其他入侵检测方法准确率明显提升。
