由于风速随机性大且影响风速大小的因素较多,为了提高风速预测的准确性,研究了将支持向量机(support vectorm ach ine,SVM)应用于风速预测的方法。通过交叉验证选取LIBSVM回归机的最优参数组合并建立模型。实验结果表明,该方法在风速的...由于风速随机性大且影响风速大小的因素较多,为了提高风速预测的准确性,研究了将支持向量机(support vectorm ach ine,SVM)应用于风速预测的方法。通过交叉验证选取LIBSVM回归机的最优参数组合并建立模型。实验结果表明,该方法在风速的实际预测中具有可行性。展开更多
按失效形式对大规模废旧零/部件进行预分类,是提高废旧零/部件批量再制造效率与效益的重要保障。针对大批量废旧零/部件表面失效人工识别效率低、漏检率和错检率高,导致难以满足自动化在线检测与分类需求的问题,提出一种基于机器视觉的...按失效形式对大规模废旧零/部件进行预分类,是提高废旧零/部件批量再制造效率与效益的重要保障。针对大批量废旧零/部件表面失效人工识别效率低、漏检率和错检率高,导致难以满足自动化在线检测与分类需求的问题,提出一种基于机器视觉的废旧零/部件批量在线表面失效形式识别与分类方法。在分析再制造检测服务概念与废旧零/部件失效形式的基础上,针对图像视觉下废旧零/部件“近形-异类”表面失效形式误判率高的问题,利用ROI高斯学习策略对废旧零/部件表面失效区域精准定位,提取候选分类特征,利用遗传算法(Genetic Algorithm,GA)筛选出关键分类特征,采用支持向量机(Library for Support Vector Machines,LIBSVM)建立失效形式分类模型,并通过K折交叉验证方法(K-fold Cross-Validation,K-CV)对其惩罚因子和核参数进行优化。以某退役齿轮零件为例对该方法的有效性与可行性进行验证,结果显示:该方法对再制造回收零/部件失效形式的分类精度达到96.7%,比同类算法精度提高了2.3%,比熟练人工检测精度提高了2.5%,表明该方法不仅具有一定的理论优越性,而且具有广阔的应用前景。展开更多
文摘按失效形式对大规模废旧零/部件进行预分类,是提高废旧零/部件批量再制造效率与效益的重要保障。针对大批量废旧零/部件表面失效人工识别效率低、漏检率和错检率高,导致难以满足自动化在线检测与分类需求的问题,提出一种基于机器视觉的废旧零/部件批量在线表面失效形式识别与分类方法。在分析再制造检测服务概念与废旧零/部件失效形式的基础上,针对图像视觉下废旧零/部件“近形-异类”表面失效形式误判率高的问题,利用ROI高斯学习策略对废旧零/部件表面失效区域精准定位,提取候选分类特征,利用遗传算法(Genetic Algorithm,GA)筛选出关键分类特征,采用支持向量机(Library for Support Vector Machines,LIBSVM)建立失效形式分类模型,并通过K折交叉验证方法(K-fold Cross-Validation,K-CV)对其惩罚因子和核参数进行优化。以某退役齿轮零件为例对该方法的有效性与可行性进行验证,结果显示:该方法对再制造回收零/部件失效形式的分类精度达到96.7%,比同类算法精度提高了2.3%,比熟练人工检测精度提高了2.5%,表明该方法不仅具有一定的理论优越性,而且具有广阔的应用前景。
