基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

关于统计学习理论与支持向量机

模式识别、函数拟合及概率密度估计等都属于基于数据学习的问题,现有方法的重 要基础是传统的统计学,前提是有足够多样本,当样本数目有限时难以取得理想的效果.统计 学习理论(SLT)是由Vapnik等人提出的一种小样本统计理论,着重研究在小样本情况下的 统计规律及学习方法性质.SLT为机器学习问题建立了一个较好的理论框架,也发展了一种 新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.目前,SLT和 SVM已成为国际上机器学习领域新的研究热点.本文是一篇综述,旨在介绍SLT和SVM的 基本思想、特点和研究发展现状,以引起国内学者的进一步关注.     

基于支持向量机的导航星选取算法研究

在星敏感器导航星表的建立过程中由于恒星的数量太多, 往往要进行筛选, 通常这种选择是一种基于枚举的大量反复的提取过程, 复杂费时而结果往往并不是最优的。而基于统计学习理论( SLT) 的支持向量机( SVM) 方法正好克服了这方面的不足。SLT 理论和SVM 方法为导航星选取过程的简化和结果的最优性的获得提供了新的途径。讨论了支持向量机在导航星选取优化中进行应用的分类算法, 构建了导航星分类器, 并以导航星的选取为例进行了试验论证。试验表明: 基于SVM 的导航星分类器对简化导航星的筛选过程优化导航星表的     

二乘向量机在图像插值技术中的应用研究

图像插值过程实际上是利用已有的像素点来估计与这些像素点相邻的未知像素的颜色。可将一幅图像视为由像素坐标映射而成的二维颜色曲面。这样插值问题就可以视为由已知的像素构成的颜色曲面函数的回归问题。而基于统计学习理论(SLT)的支持向量机(SVM)方法为解决这种高维非线性问题提供了一种新的途经。该文讨论了最小二乘向量机实现数字图像插值的应用方法,并进行了图像放大的试验验证。试验表明:基于RBF核的最小二乘向量机回归技术对数字图像的插值具有很强的适应性,其性能与已有的双立方插值技术相当。     

基于模糊支持向量机的入侵技术研究

入侵检测系统是任何一个完整的网络安全系统中必不可缺的部分。日益严峻的安全问题对于检测方法提出更高的要求。传统的入侵检测方法存在误报漏报及实时性差等缺点,将机器学习的技术引人到入侵监测系统之中以有效地提高系统性能具有十分重要的现实意义。支持向量机(SVM)是一种建立在统计学习理论(SLT)基础之上的机器学习方法。被成功地应用到入侵检测领域中。本文讨论了模糊支持向量机优化算法及其在入侵检测中的应用。实验表明,基于模糊支持向量机检测入侵的方法能较大地提高入侵检测系统的性能。     

基于优化支持向量机的网络入侵检测技术研究

入侵检测系统是任何一个完整的网络安全系统中必不可缺的部分.日益严峻的安全问题对于检测方法提出更高的要求.传统的入侵检测方法存在误报漏报及实时性差等缺点,将机器学习的技术引入到入侵监测系统之中以有效地提高系统性能具有十分重要的现实意义.支持向量机(SVM)是一种建立在统计学习理论(SLT)基础之上的机器学习方法,被成功地应用到入侵检测领域中.讨论了支持向量机优化算法及其在入侵检测中的应用.实验表明,基于优化支持向量机检测入侵的方法能较大地提高入侵检测系统的性能.     

基于支持向量机的冠心病辅助诊断研究

支持向量机(SVM)是在统计学习理论基础上发展而来的一种新的通用学习方法,较好地解决了有限样本的学习分类问题。用支持向量机的分类算法,选取不同的核函数,构造了支持向量机的不同分类器,并将其应用于冠心病的预测诊断。仿真结果表明,非线性的支持向量机取得了较高的准确率,支持向量机在早期冠心病的诊断中有很大的应用潜力。     

粒计算与统计学习理论

互联网信息时代,如何从复杂的数据中进行有目标的数据挖掘是很多领域的一个中心问题.目前针对此问题的方法大多是基于统计学习理论的机器学习方法,并且粒计算在数据挖掘问题中有着广泛的应用.将粒计算方法与统计学习方法相结合,提出了一个更优的粒计算统计学习方法.给出了一个基于粒计算的统计分类算法,并与支持向量机(support vector machine,SVM)、覆盖算法进行了比较,实验表明通过粒化所得到的支持向量求解出的分类结果较优.     

可补偿类别差异的加权支持向量机算法

支持向量机(SVM)算法在各类别样本数多少不同时,样本数量多的类别,其分类误差小,而样本数量少的类别,其分类误差大.针对这种倾向性问题,在分析其产生原因的基础上,提出了加权SVM算法,从而克服了常规SVM算法不能灵活处理每一个样本的缺陷,同时补偿了这种倾向性造成的不利影响.这种以牺牲大类别精度来提高小类别精度的加权支持向量机方法,可应用于诸如故障诊断等关注小类别分类精度的场合.户外图象识别的实验结果证明,该算法是有效的.     

支持向量机在工业过程中的应用

支持向量机(SVM)是一种基于统计学习理论,针对小样本学习问题的通用学习算法,它采用结构风险最小化(Structural risk minimization,SRM)准则,大大提高了模型的泛化能力,成功地解决了神经网络的过学习问题。目前主要应用在模式识别领域,在工业过程中的应用相对较少。本文首先从理论研究、算法结构、参数选择和扩展SVM4个方面详细介绍了近些年来支持向量机的研究进展;然后对SVM在工业过程中的应用现状进行分析,指出进一步研究的方向。     

基于SVM的综合评价方法研究

系统介绍了统计学习理论与支持向量机的基本思想，研究了它们在综合评价中的应用。分析了科研立项评审系统的设计方法，建立了基于SVM的评审系统。文末比较了新评审系统和采用其它方法如模糊排序、神经网络等建立的评审系统所分别取得的拟合效果，比较结果表明：采用支持向量机设计的评审系统结构简单、思路清晰地且能取得更为理想的评审结果。     

基于结点优化的决策导向无环图支持向量机及其在故障诊断中的应用

支持向量机(Support vector machine, SVM)是利用离在线数据自动建立故障诊断模型的智能方法,它在多故障诊断时, 必须先进行多分类扩展. 决策导向无环图(Decision directed acyclic graph, DDAG)法是一种性能优秀的多分类扩展策略, 但该方法的决策结果与结点的排部密切相关, 而其结点的排部却是主观的, 影响了诊断的正确率. 本文提出一种根据故障数据的空间分布来优化结点排部的方法, 它能够提高支持向量机诊断的正确率. 采用该方法扩展的多分类支持向量机在变压器故障诊断中获得良好效果.     

机械故障矢功率谱—支持向量机识别方法研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别,并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。     

机械故障矢功率谱-支持向量机识别方法研究

与传统功率谱相比．矢功率谱融合了多通道的能量信息，反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此，结合矢功率谱和支持向量机，提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别．并应用到旋转机械故障诊断中。同时，该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较，实验结果表明，该方法是有效的，尤其在小样本情况下，SVM识别效果明显优于径向基函数网络。     

基于SVM的滚动轴承工作状态检测

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题.本文提出了一种基于多级支持向量机分类器的滚动轴承工作状态识别方法.该方法通过时域特征参数对原信号进行特征提取,不仅计算简单,而且不考虑滚动轴承的型号和转速.试验表明这种方法具有很好的分类能力.     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

支持向量机及其在模式识别中的应用

Statistical learning theory(SLT)and support vector machine(SVM) are effective to solve problems of machine learning under the condition of finite samples.It is known that the performance of support vector machine is often better than that of some neural networks in pattern recognition,especially in high dimensional space,and they arewell used in many domains for recognition.This paper at first introduces the basic theory of SLT and SVM,then points out the key problems of SVM and its research situation in recent years,and at last describes some applications of SVM in the field of pattern recognition.