针对转炉冶炼终点传统人工肉眼看火判断存在着诸多不确定性问题, 研究了一种基于模糊支持向量机的光辐射状态识别实现转炉终点判断的方法。设计了非接触式炉口光辐射采集系统, 基于炉口火焰辐射规律分析, 分别提取了通过高斯函数拟合表征光谱整体特征的三参数和两个发射峰离散谱参数作为支持向量机的输入, 通过相关性分析选出生产过程中氧量、动枪幅度、爽枪时间、加料量参数构建子样本特征量, 采用样本到类间距离的方法计算隶属度因子, 建立了模糊支持向量机识别模型并进行了测试实验。实验结果表明, 提出的方法对不同操作工况下的终点光辐射识别精度优于人工方法和传统SVM方法, 可为转炉终点的准确判断提供依据。

单一特征识别的钨矿石初选准确率低, 稳定性差, 本文提出结合模糊支持向量机和D-S证据理论相的多特征钨矿石识别方法.对矿石图像预处理后, 分别提取矿石的颜色、灰度和纹理等3类视觉特征, 对这3类视觉特征进行模糊分类得到各自的信任度, 再以这3类信任度为独立证据, 采用D-S证据理论对3类证据进行融合, 并依据分类判决规则得到最终的识别结果.试验结果表明, 通过D-S理论对模糊向量机证据的融合, 钨矿石初选的正确识别率达到96%以上, 其准确率和稳定性较单一特征均有大幅度提高, 满足生产过程中初选工艺的要求.

采用决策融合策略, 提出了一种基于多模糊支持向量机( FSVM)的积雨云检测方法以解决添加更多的特征可增加云分类识别的准确率而特征维数过高又会造成过拟合现象的矛盾。该方法首先从训练云图提取光谱特征、通道亮温差特征、一阶灰度直方图纹理特征、灰度共生矩阵纹理特征以及Gabor小波特征, 并组成包含5类特征的训练样本集; 然后针对每类特征, 训练5个FSVM子分类器。最后对各子分类器的结果在输出空间进行加权决策融合, 以提高积雨云检测的准确率。实验结果表明, 本文方法不仅较好地解决了积雨云检测中由于特征维数过高而造成的过拟合现象, 而且能自适应地确定不同特征的权重, 检测准确率优于各FSVM子分类器和包含所有输入特征的单FSVM分类器, 有望在卫星云图分析中得到应用。

为解决 SVM在积雨云检测中的难题, 本文构造了一种模糊支持向量机( FSVM), 首先根据训练样本的分布特性, 定义了相邻样本距离类中心的距离变化率, 然后通过计算距离变化率来剔除训练集中可能的噪声与野值样本, 从而有效克服了传统基于紧密度的 FSVM在计算最小超球半径时易受噪声与野值干扰的缺点, 使得所计算的隶属度能更好地反映不同样本的差异。实验结果表明, 对于 FY2D卫星云图, 采用从不同通道所提取的光谱特征, 本文方法的积雨云检测准确率与传统 SVM和基于紧密度的 FSVM相比, 分别平均提高 2%和 1%, 且具有更强的适应性及噪声鲁棒性。

传统的分类方法仅仅基于像素光谱特征，不适合于高分辨率遥感影像。本文提出了一种新的基于商空间理论，面向对象的高分辨率遥感影像分类方法，即综合云模型、模糊支持向量机和决策树的分层合成分类技术。针对决定分类效果的两个因素，影像分割和分类算法，分别做出了一些改进。第一，本文提出了一个自适应的基于云模型的区域增长分割策略。第二，本文提出了一个新的基于商空间理论，结合模糊支持向量机和决策树的分层合成分类技术。从实验结果来看，本文提出的方法，在分割效果上基本能满足人眼的视觉要求，在分类精度上比传统的分类方法有更高的准确性，而且能实现分类过程的自动化。

提出了一种基于模糊最小二乘支持向量机(FLS-SVM)进行背景预测、利用模糊Tsallis-Havrda-Charvat熵实现阈值分割的红外弱小目标检测方法。首先采用FLS-SVM对训练样本进行学习得到回归函数，并以此预测红外图像中的背景；然后将原始图像与预测图像相减得到残差图像，并提出基于模糊Tsallis-Havrda-Charvat熵的阈值选取算法分割残差图像，将小目标和噪声从残差背景中分割出来；最后利用目标灰度的平稳性和运动轨迹的连续性进一步检测出真实的小目标。给出了实验结果及分析，并与基于最小二乘支持向量机(LS-SVM)以及基于最小二乘的背景预测方法的检测结果进行了比较。结果表明，该方法具有更高的检测概率和信噪比增益，优于上述基于背景预测的红外小目标检测方法。

本文提出了一种基于模糊支持向量机(FSVM)时域背景预测的红外弱小目标检测方法。首先针对前几帧图像中对应同一位置像素点的灰度值序列，利用模糊支持向量机进行函数拟合，并据此预测下一帧图像在该位置处像素点的灰度值；然后将原始图像与预测图像相减得到预测残差图像，利用基于二维Tsallis-Havrda-Charvat 熵的阈值选取快速算法进行分割，并根据小目标运动的连续性和轨迹的一致性进一步分离噪声和小目标。文中给出了实验结果及分析，并与现有的检测红外小目标的空域和时域背景预测算法进行了比较。结果表明，本文提出的算法具有更高的检测概率，明显优于已有的基于背景预测的红外小目标检测算法

针对基于对象的图像检索问题,利用模糊支持向量机(FSVM)提出了一种新的多示例学习算法—FSVM-MIL算法。在标准的多示例学习问题中,一个包被标为正包,则它至少包含一个示例是正的,否则被标为负包。FSVM-MIL 算法将图像当作包,分割后的区域当作包中的示例,若图像包含有感兴趣对象,则对应的包标为正,否则标为负,因为正包中的示例不全是正的,概念标号存在模糊性,本文利用多样性密度方法寻找概念点,根据noisy-or 概率模型定义了模糊隶属度函数,为正包中的示例赋予不同的模糊因子,用FSVM 求解多示例学习问题。在SIVAL 图像集进行对比实验,结果表明FSVM-MIL 算法是有效的且性能不亚于其它同类方法。