因其核函數(shù)的良好性態(tài),RBF核SVM(RBF-svm)在實(shí)際應(yīng)用中表現(xiàn)出良好的學(xué)習(xí)性能,但是RBF核函數(shù)中的參數(shù)對(duì)SVM的性能起決定性作用.闡述了RBF-svm的性能隨著變化而變化的規(guī)律,并將RBF-svm引入自動(dòng)羽絨識(shí)別系統(tǒng)中.根據(jù)自動(dòng)羽絨識(shí)別系統(tǒng)的實(shí)際需求和RBF-svm的性能變化規(guī)律,論述了本系統(tǒng)中參數(shù)的選取依據(jù)和選取過程,并且給出了的相關(guān)曲線變化圖.通過研究,最后得到適合本系統(tǒng)的識(shí)別模型,從而提高了系統(tǒng)的總體識(shí)別率.同時(shí),也驗(yàn)證了RBF-svm的良好特性和其受參數(shù)的約束規(guī)律.
上傳時(shí)間： 2013-12-27
上傳用戶：zhengzg
將遺傳算法(GA)與傳統(tǒng)SVM算法結(jié)合,構(gòu)造出一種參數(shù)最優(yōu)的進(jìn)化SVM(GA2SVM),SVM 模型采用徑向基函數(shù)(RBF)作為核函數(shù)，利用格雷碼編碼方式對(duì)SVM算法的模型參數(shù)進(jìn)行遺傳編碼和優(yōu)化搜索，將搜索到的優(yōu)化結(jié)果作為SVM 的最終模型參數(shù)。
上傳時(shí)間： 2014-08-08
上傳用戶：cccole0605
SVM用于模式識(shí)別 整理別人的代碼（原來的是英文）所得： kernel.m用于內(nèi)積矩陣的計(jì)算 svcplot.m用于繪圖 svm168.m是主程序 testlin.m是采用線形內(nèi)積函數(shù)的支持向量機(jī)應(yīng)用的 文件 testrbf.m是采用RBF內(nèi)積函數(shù)的支持向量機(jī)應(yīng)用 的 文件 每個(gè)文件中都有說明。 仿真平臺(tái)matlab7.0, 仿真全部通過 將所有文件拷貝到work目錄下（注意不要直接將上層文件夾直接拷貝到work目錄下，若那樣操作，必須在matlab的file菜單中的set path中設(shè)置相應(yīng)的路徑）。 打開matlab，在命令窗口中輸入 testlin或testrbf 即可查看結(jié)果。
標(biāo)簽： svcplot testlin kernel SVM
上傳時(shí)間： 2015-05-27
上傳用戶：風(fēng)之驕子
SVM的例子程序，使用RBF，garma值為0.5。專業(yè)人士可以參考。有搞SVM參數(shù)優(yōu)化的人我們可以一起討論
上傳時(shí)間： 2014-12-05
上傳用戶：xmsmh
開關(guān)磁阻電機(jī)(SwitchedReluctanceMotor，SRM)具有結(jié)構(gòu)簡單、工作可靠、效率高和成本較低等優(yōu)點(diǎn)，在很多領(lǐng)域都顯示出強(qiáng)大的競爭力，但是位置傳感器的存在不僅削弱了SRM結(jié)構(gòu)簡單的優(yōu)勢，而且降低了系統(tǒng)高速運(yùn)行的可靠性，增加了成本，探索實(shí)用的無位置傳感器檢測轉(zhuǎn)子位置的方案成為開關(guān)磁阻電機(jī)驅(qū)動(dòng)系統(tǒng)(SwitchedReluctanceMotorDrive，SRD)研究的熱點(diǎn)。SRM高度非線性的電磁特性決定了在精確的數(shù)學(xué)模型基礎(chǔ)上實(shí)現(xiàn)無位置傳感器控制十分困難，而人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為解決這個(gè)問題提供了新的思路。徑向基函數(shù)(RadialBasisFunction，RBF)神經(jīng)網(wǎng)絡(luò)是一種映射能力極強(qiáng)的前向型神經(jīng)網(wǎng)絡(luò)，具有收斂速度快、全局逼近能力強(qiáng)等優(yōu)點(diǎn)。本文提出一種利用自適應(yīng)RBF神經(jīng)網(wǎng)絡(luò)對(duì)SRM進(jìn)行控制的新方法，所采用的RBF神經(jīng)網(wǎng)絡(luò)以電機(jī)繞組的相電流、磁鏈作為輸入，轉(zhuǎn)子位置作為輸出，通過離線和在線相結(jié)合的方法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立SRM電流、磁鏈與轉(zhuǎn)子位置之間的非線性映射，從而實(shí)現(xiàn)SRM的無位置傳感器控制。 常規(guī)的PID控制以其結(jié)構(gòu)簡單、可靠性高、易于工程實(shí)現(xiàn)等優(yōu)點(diǎn)至今仍被廣泛采用。在系統(tǒng)模型參數(shù)變化不大的情況下，PID控制效果良好，但當(dāng)被控對(duì)象具有高度非線性和不確定性時(shí)，僅靠PID調(diào)節(jié)效果不好。對(duì)于SRM，它的電磁關(guān)系高度非線性，固定參數(shù)的PID調(diào)節(jié)器無法得到很理想的控制性能指標(biāo)。論文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)在線辨識(shí)的SRM單神經(jīng)元PID自適應(yīng)控制新方法。該方法針對(duì)開關(guān)磁阻電機(jī)的非線性，利用具有自學(xué)習(xí)和自適應(yīng)能力的單神經(jīng)元來構(gòu)成開關(guān)磁阻電機(jī)的單神經(jīng)元自適應(yīng)控制器，不但結(jié)構(gòu)簡單，而且能適應(yīng)環(huán)境變化，具有較強(qiáng)的魯棒性。同時(shí)構(gòu)造了一個(gè)RBF網(wǎng)絡(luò)對(duì)系統(tǒng)進(jìn)行在線辨識(shí)，建立其在線參考模型，由單神經(jīng)元控制器完成控制器參數(shù)的自學(xué)習(xí)，從而實(shí)現(xiàn)控制器參數(shù)的在線調(diào)整，能取得更好的控制效果。 仿真及實(shí)驗(yàn)結(jié)果表明，自適應(yīng)RBF神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)電機(jī)的準(zhǔn)確換相，從而實(shí)現(xiàn)了電機(jī)的無位置傳感器控制；基于RBF神經(jīng)網(wǎng)絡(luò)在線辨識(shí)的單神經(jīng)元自適應(yīng)控制能夠達(dá)到在線辨識(shí)在線控制的目的，控制精度高，動(dòng)態(tài)特性好，具有較好的自適應(yīng)性和魯棒性。
標(biāo)簽： RBF PID 控制 神經(jīng)網(wǎng)絡(luò)
上傳時(shí)間： 2013-04-24
上傳用戶：skfreeman
·詳細(xì)說明：自己收集的各種SVM分類算法，可以實(shí)現(xiàn)音頻分類
上傳時(shí)間： 2013-07-14
上傳用戶：pscsmon
為了提高電力系統(tǒng)負(fù)荷預(yù)測的精度與速度的需求，提出使用交替梯度算法改進(jìn)徑向基函數(shù)（RBF） 神經(jīng)網(wǎng)絡(luò)， 對(duì)天津市電網(wǎng)進(jìn)行負(fù)荷預(yù)測。改進(jìn)的算法與傳統(tǒng)梯度下降算法相比，具有更快的收斂速度和更高的預(yù)測精度。 仿真結(jié)果表明該算法具有可行性。
標(biāo)簽： RBF 神經(jīng)網(wǎng)絡(luò) 電力 負(fù)荷預(yù)測
上傳時(shí)間： 2013-10-31
上傳用戶：waixingren
為使設(shè)計(jì)人員在大型客機(jī)設(shè)計(jì)階段便可對(duì)其制造成本有較為準(zhǔn)確的把握，針對(duì)大型客機(jī)制造成本，采用RBF神經(jīng)網(wǎng)絡(luò)理論建立了一種分析模型，并給出建模流程。利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模擬仿真，對(duì)所建立大型客機(jī)制造成本分析的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了驗(yàn)證，最后進(jìn)行誤差分析。仿真結(jié)果表明，所建RBF神經(jīng)網(wǎng)絡(luò)對(duì)大型客機(jī)成本的估算是有效的，且該方法精度較高，實(shí)用性較強(qiáng)。
標(biāo)簽： RBF 神經(jīng)網(wǎng)絡(luò) 大型 制造成本
上傳時(shí)間： 2013-11-19
上傳用戶：wpwpwlxwlx
提出了一個(gè)自適應(yīng)量子粒子群優(yōu)化算法，用于訓(xùn)練RBF網(wǎng)絡(luò)的基函數(shù)中心和寬度，并結(jié)合最小二乘法計(jì)算網(wǎng)絡(luò)權(quán)值，對(duì)RBF網(wǎng)絡(luò)的泛化能力進(jìn)行改進(jìn)并用于特征選擇。實(shí)驗(yàn)結(jié)果表明，采用自適應(yīng)量子粒子群優(yōu)化算法獲得的RBF網(wǎng)絡(luò)模型不但具有很強(qiáng)的泛化能力，而且具有良好的穩(wěn)定性，能夠選擇出較優(yōu)秀的特征子集。
標(biāo)簽： RBF 神經(jīng)網(wǎng)絡(luò) 特征選擇 中的應(yīng)用
上傳時(shí)間： 2013-11-16
上傳用戶：erkuizhang
不錯(cuò)的SVM實(shí)現(xiàn)算法，采用的是LS-SVM算法，這是C版本，還有一個(gè)MATLAB版本
上傳時(shí)間： 2013-12-20
上傳用戶：manlian
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
