针对常用的质量建模方法精度不高且难以给出预测区间,提出了基于小波相关向量机的产品质量模型.应用仿真数据和带钢热镀锌锌层质量的实际生产数据分别建立了小波相关向量机模型.结果表明,小波相关向量机方法与支持向量机及传统的相关向量机相比,具有更好的预测精度,而且给出了预测区间.多组带钢热镀锌锌层质量实际数据的相对预测误差的平均值为4.52%,为保证产品质量提供必要的决策支持和分析手段

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

一.向量组与矩阵 二.向量组的线性相关性 三.向量组间的关系 四.向量组的最大无关组 五.向量组的秩与矩阵的秩

2.1.1向量和m维向量空间的定义及性质 定义(向量)设K是一个数域。K中m个数a1a2,m所组成的一个m元有序数组称为一个m维向量

一、两向量的数量积 二、两向量的向量积 三、向量的混合积

一、向量概念 二、向量的线性运算 三、空间直角坐标系 四、利用坐标作向量的线性运算 五、向量的模、方向角、投影

二维随机向量及其分布函数 设随机试验E的样本空间是Ω. X=X(a)和Y=Y()是定义在Ω上的随机变 量,由它们构成的向量(X,Y),称为二维随机向 量. 二维随机向量(X,Y)的性质不仅与X及 Y的性质有关,而且还依赖于X和Y的相互关系, 因此必须把(X,Y)作为一个整体加以研究. 为此,首先需要引入二维随机向量(X,Y) 的分布函数的概念

一、两向量的数量积 二、两向量的向量积 三、向量的混合积

一、向量的概念 二、向量的线性运算 三、空间直角坐标系 四、利用坐标作向量的线性运算 五、向量的模、方向角、投影