“svm”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果6287个，建议您升级VIP下载更多相关专利

[发明专利]一种基于多特征与多分类器的鲜茶叶分类方法-CN202010505288.3在审
发明人：毛腾跃;黄印;帖军;张雯娟 -专利权人：中南民族大学
申请日： 2020-06-05 - 公布日： 2020-10-30 - 主分类号： G06Q10/06 文献下载
摘要：本发明提供一种基于多特征与多分类器的鲜茶叶分类方法，包括以下：对茶叶图像训练样本提取几何特征和纹理特征，并输入SVM训练，得到训练好的SVM模型；利用训练好的SVM模型预测待预测茶叶图像，得到基于SVM分类器的茶叶各类型分类概率；对茶叶图像训练样本进行角点检测和距离矩阵相似度计算，并依据角点检测结果和距离矩阵相似度，得到基于特殊角度数量及距离矩阵的茶叶各类型分类概率；将基于SVM分类器的茶叶各类型分类概率和基于特殊角度数量及距离矩阵的茶叶各类型分类概率采用基于
一种基于特征分类茶叶方法

[发明专利]一种FP-tree优化的XSS攻击自动检测方法-CN202010433592.1在审
发明人：华驰;鲁志萍;李仁杰 -专利权人：江苏信息职业技术学院
申请日： 2020-05-21 - 公布日： 2020-10-02 - 主分类号： H04L29/06 文献下载
摘要：算法扫描数据集中的样本数据，计算每个参数对应的支持度和置信度；给定最小支持度和最小置信度；根据最小支持度找出所有频繁项集参数；根据最小置信度找出关联规则，满足关联规则的频繁项集参数提取XSS特征；采用SVM分类器对数据库中的样本数据进行特征提取形成特征值数据，将XSS特征加入到SVM分类器的特征值数据中；通过SVM分类器的特征值数据进行SVM分类模型训练，生成训练后的分类模型，对XSS攻击进行检测。本发明基于关联分析算法FP‑growth优化SVM分类器，进行XSS攻击自动检测，该方法提高了XSS攻击检测精准度。
一种 fp tree 优化 xss 攻击自动检测方法

[发明专利]SVM分类器的训练方法和石化储罐锈蚀缺陷分割方法-CN202011081229.4在审
发明人：孙凌宇;刘成艳;刘月 -专利权人：河北工业大学
申请日： 2020-10-09 - 公布日： 2021-01-08 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种SVM分类器的训练方法和石化储罐锈蚀缺陷分割方法。所述SVM分类器的训练方法包括以下步骤：A)获得不同锈蚀程度的多个储罐锈蚀缺陷图像，根据多个储罐锈蚀缺陷图像的像素值定义锈蚀缺陷像素范围；B)选择多个储罐锈蚀缺陷图像作为训练图像，并生成多个超像素；C)将超像素和邻域超像素的颜色特征和纹理特征进行级联，以便构建超像素的特征向量，多个超像素的特征向量构成训练数据集；D)根据锈蚀缺陷像素范围对多个超像素进行标注并得到标注结果，将超像素标注为正样本或负样本；和E)利用训练数据集和标注结果训练SVM通过利用该SVM分类器的训练方法，可以提高SVM分类器的分类准确率。
svm 分类训练方法石化锈蚀缺陷分割

[发明专利]一种能源消耗预测方法及装置-CN201811519685.5在审
发明人：刘鹏;刘松;马亚泽;俞石洪;横山隆一 -专利权人：华北电力大学扬中智能电气研究中心
申请日： 2018-12-12 - 公布日： 2020-06-19 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种能源消耗预测方法及装置，包括：将获取的第一数据输入预先训练完成的ARIMA模型，将获取的第二数据输入预先训练完成的SVM模型；基于ARIMA模型，确定第一能源消耗预测值，基于SVM模型，由于在进行能源消耗预测时，基于ARIMA模型，确定第一能源消耗预测值，基于SVM模型，确定第二能源消耗预测值。结合ARIMA模型确定的第一能源消耗预测值和SVM模型确定的第二能源消耗预测值，确定出目标能源消耗预测值。利用ARIMA模型和SVM模型的优点，使确定的目标能源消耗预测值更准确。
一种能源消耗预测方法装置

[发明专利]一种基于SVM的栈式结构层次分类模型的构建方法-CN202010221127.1在审
发明人：卢剑伟 -专利权人：常州工业职业技术学院
申请日： 2020-03-26 - 公布日： 2020-07-24 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于SVM的栈式结构层次分类模型的构建方法，通过随机修改样本的真实标签类型，构造对抗样本进行对抗样本学习，在SVM的基础上，将经对抗样本学习的SVM模型输出误差对输入样本特征的一阶梯度信息嵌入到输入样本特征中以更新输入样本，结合栈式结构原理，将经对抗样本学习的SVM模型作为子分类器构建层次分类模型。本发明所述方法所构建的基于SVM的栈式结构层次分类模型，利用对抗样本学习计算每一层子分类器的输出误差对输入的一阶梯度信息，并利用一阶梯度信息逐层更新下每一个子分类器的输入，以此逐层提高分类模型的分类性能且具备较好的泛化性
一种基于 svm 结构层次分类模型构建方法

[发明专利]权益风控建模方法和装置-CN202010618802.4在审
发明人：沈之芳;周宝琛;肖慧闵 -专利权人：中国银行股份有限公司
申请日： 2020-07-01 - 公布日： 2020-09-11 - 主分类号： G06Q40/02 文献下载
摘要：本发明提供了一种权益风控建模方法和装置，该方法包括：获取历史数据信息和特征向量数据；所述特征向量数据随时间进行更新；对历史数据信息进行处理，确定特征向量；利用线性SVM算法对特征向量训练，确定SVM分类模型和支持向量集；利用SVM分类模型评估特征向量数据，确定风控评估准确率；在风控评估准确率低于设定阈值时，根据设定时间间隔对特征向量数据加权，将加权后的特征向量数据和支持向量集作为训练样本，输入到SVM分类模型进行迭代训练在迭代更新的过程中根据设定时间间隔对特征向量数据加权，实现对SVM分类模型更新校正，有效提高权益风控模型的准确率。
权益建模方法装置

[发明专利]一种基于AFM和SVM分类器的细胞癌化识别方法-CN202010165002.1在审
发明人：田延岭;林旺江;朱鑫垚;蒲紫浩;李英杰;陈江涛;朝家齐;王蒙;周重凯;王福军;张大卫 -专利权人：天津大学
申请日： 2020-03-11 - 公布日： 2020-08-04 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于AFM和SVM分类器的细胞癌化识别方法，旨在提供一种应用力学数据与SVM分类器结合，快速准确，成本低的细胞癌化识别方法。使用AFM设备对所述待识别细胞进行纳米压痕实验，获得待识别细胞的力学特性曲线及微观形貌结构信息；对所得力学特性曲线数据及微观形貌结构信息进行处理，获得相关力学特性参数；将所获得的相关力学特性参数数据作为SVM分类器的输入数据，通过SVM分类器的分类识别模型识别细胞是否癌化，SVM分类器的输出为待识别细胞的种类。
一种基于 afm svm 分类细胞识别方法

[发明专利]一种XSS攻击自动检测方法-CN202010303407.7在审
发明人：华驰;王可;鲁志萍 -专利权人：江苏信息职业技术学院
申请日： 2020-04-17 - 公布日： 2020-09-01 - 主分类号： H04L29/06 文献下载
摘要：算法扫描数据库中的样本数据，计算每个参数对应的支持度和置信度；给定最小支持度和最小置信度；根据最小支持度找出所有频繁项集参数；根据最小置信度找出关联规则，满足关联规则的频繁项集参数提取XSS特征；采用SVM分类器对数据库中的样本数据进行特征提取形成特征值数据，将XSS特征加入到SVM分类器的特征值数据中；通过SVM分类器的特征值数据进行SVM分类模型训练，生成训练后的分类模型，对XSS攻击进行检测。本发明基于关联分析算法Apriori优化SVM分类器，进行XSS攻击自动检测，该方法提高了XSS攻击检测精准度。
一种 xss 攻击自动检测方法

[发明专利]一种基于SVM的电力用户信用风险预警方法及系统-CN201810424846.6在审
发明人：王忠锋;胡博;王浩淼;张朝龙;李力刚;黄剑龙;喻海飞 -专利权人：中国科学院沈阳自动化研究所;国网辽宁省电力有限公司鞍山供电公司;国家电网公司
申请日： 2018-05-07 - 公布日： 2019-11-15 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及一种基于SVM的电力用户信用风险预警方法及系统，将电力用户信用风险基础指标设定阈值，并根据阈值划分不同的电力用户信用风险基础指标的风险预警区间；选取样本数据，进行处理，运用主成分分析法对电力用户信用风险基础指标分配相应的权重，计算样本数据的风险预警评估值，根据风险预警评估值划分其所处的风险类别；建立电力用户信用风险预警SVM模型，并对电力用户信用风险进行预测；将得到的最优参数值作为电力用户信用风险预警SVM模型的参数值，对电力用户信用风险预警SVM模型进行优化。本发明通过SVM分类模型并进行参数的寻优，对于非线性关系和小样本模型具有较高的预测准确度，在信用风险预警中具有良好的预警效果。
电力用户风险预警信用基础指标样本数据主成分分析法非线性关系准确度风险类别预警效果小样本预测评估权重寻优分配优化

[发明专利]一种适用于HEVC标准的帧内预测编码单元划分方法-CN201911294238.9在审
发明人：石敏;席诗华;易清明 -专利权人：暨南大学
申请日： 2019-12-16 - 公布日： 2020-05-05 - 主分类号： H04N19/122 文献下载
摘要：本发明公开了一种适用于HEVC标准的帧内预测编码单元划分方法，该方法的步骤为：从数据库中提取编码单元的训练样本；根据编码深度及训练样本训练出RBF‑SVM和Linear‑SVM决策模型；将训练后的决策模型移植到原始HM参考模型中；对于编码深度为0的帧内预测过程，运用RBF‑SVM进行划分决策；在编码深度为1的编码单元首先运用RBF‑SVM进行划分决策；在编码深度为2的编码单元采用级联SVM进行划分决策；在编码深度为
一种适用于 hevc 标准预测编码单元划分方法

[发明专利]基于CNN-SVM算法蔬菜自动识别方法-CN201911302291.9在审
发明人：江煜;许飞云;杨忠 -专利权人：金陵科技学院
申请日： 2019-12-17 - 公布日： 2020-05-15 - 主分类号： G06K9/62 文献下载
摘要：本发明基于CNN‑SVM算法蔬菜自动识别的方法，通过构建CNN‑Lenet5模型(即网络结构为输入层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、输出层构成)对蔬菜图像进行高级特征提取，再使用SVM而SVM算法只需要小样本就有着优秀的分类效果，恰好弥补了CNN需要大量数据的缺点。因此，在完成特征提取后将CNN网络结构的最后一层softmax分类层去掉，用SVM算法模型来替代。通过CNN自动的特征提取结合SVM分类两种算法模型来实现蔬菜图像的自动分类识别。
基于 cnn svm 算法蔬菜自动识别方法

[发明专利]一种基于IFA-SVM的滚动轴承故障诊断方法-CN202011316490.8在审
发明人：王海瑞;常梦容;肖杨 -专利权人：昆明理工大学
申请日： 2020-11-20 - 公布日： 2021-02-09 - 主分类号： G01M13/045 文献下载
摘要：本发明涉及一种基于IFA‑SVM的滚动轴承故障诊断方法，属于机械工程自动化技术领域。其次对数据进行归一化处理，接着利用IFA算法对SVM的惩罚系数和核函数参数进行优化，搭建优化IFA‑SVM模型。再将提取得到的特征向量输入到优化好的IFA‑SVM中进行训练得到滚动轴承诊断模型，最后利用滚动轴承故障诊断模型进行滚动轴承故障诊断。结果表明：本发明利用IF‑SVM模型对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断，准确率提高，收敛速度快，寻优能力强。
一种基于 ifa svm 滚动轴承故障诊断方法

[发明专利]一种基于HOG特征和MB-LBP特征的SVM车辆轴数检测方法-CN202011275906.6在审
发明人：徐贵力;母丹羽;侯岳青;程月华;王正盛;董文德;马栎敏 -专利权人：南京航空航天大学
申请日： 2020-11-13 - 公布日： 2021-01-26 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于HOG特征和MB‑LBP特征的SVM车辆轴数检测方法，包括（a）搭建基于视觉的车辆轴数轴距测量系统；（b）采集样本图像，其中分别拍摄轮胎图像和非轮胎图像作为正样本和负样本；（c）提取出样本的HOG特征向量；（d）提取出样本的MB‑LBP特征向量；（e）将样本的HOG特征向量和MB‑LBP特征向量融合为样本最终的特征向量；（f）将最终的特征向量作为SVM的训练样本对SVM进行训练，得到轮胎识别的SVM模型；（g）拍摄待检测车辆的轮胎图像，利用训练好的SVM模型识别出轮胎并统计出车辆的轴数。
一种基于 hog 特征 mb lbp svm 车辆检测方法

[发明专利]一种基于改进GWO-SVM的减小红外甲烷传感器测量误差的方法-CN202010847349.4在审
发明人：陈红岩;刘嘉豪;赵永佳 -专利权人：中国计量大学
申请日： 2020-08-21 - 公布日： 2020-12-22 - 主分类号： G01N21/3504 文献下载
摘要：本发明提供一种基于GWO‑SVM的减小红外甲烷传感器测量误差的方法，包括如下步骤：采集红外甲烷传感器测量不同甲烷浓度时输出的电压差值比信号；使用改进灰狼算法优化支持向量机的惩罚系数C和核函数系数g建立SVM回归预测模型；将采集的甲烷浓度和相应的电压差值比信号分为训练集和测试集，作为特征参数输入到S2中建立的SVM回归预测模型中进行训练和测试，得到基于改进GWO‑SVM的回归模型；将实际测量的电压差值比信号数据输入到所述基于改进GWO‑SVM的回归模型中，得到对应实际测量数据的甲烷浓度。
一种基于改进 gwo svm 减小红外甲烷传感器测量误差方法

[发明专利]基于AMFO算法和SVM算法继电器贮存寿命预测方法-CN202111353432.7在审
发明人：王召斌;乔青云;尚尚;陈康宁;刘百鑫;李朕;朱佳淼;李久鑫 -专利权人：江苏科技大学
申请日： 2021-11-16 - 公布日： 2022-02-08 - 主分类号： G06F30/27 文献下载
摘要：本发明是基于AMFO算法和SVM算法继电器贮存寿命预测方法，包括如下步骤：步骤1获取材料性能参数；步骤2对参数数据进行主成分分析，获取主成分变量；步骤3将主成分变量分别取训练集和测试集数据，将训练集数据输入SVM模型中进行训练学习；步骤4：采用自适应飞蛾火焰优化算法对SVM模型的核函数中的参数进行优化，利用最优参数进行构建SVM模型，建立起优化后的模型进行寿命预测；步骤5设置失效阈值，预测到达失效阈值的退化曲线本发明将数据样本放入SVM模型中进行训练后进行寿命预测，引进非线性动态自适应步长方法，能够使飞蛾搜索能力增强，提高飞蛾的全局寻优能力。
基于 amfo 算法 svm 继电器贮存寿命预测方法