基于两阶段学习的半监督SVM故障检测方法

提出一种基于两阶段学习的半监督SVM故障检测方法。该方法首先使用标识传递算法给未标识样本赋予初始伪标识,并通过k近邻图对比样本点标识值,将可能是噪声的样本点识别并剔除;然后将去噪处理后的样本集输入到SVM中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的故障检测性能。实验中将该方法同支持向量机(SVM)、模糊支持向量机(FSVM)、直推式支持向量机(TSVM)及拉普拉斯支持向量机算法(LapSVM)进行比较,结果表明该方法在不同数目标识样本集合的情况下,检测精度较其他算法有较大幅度提高,同时该方法还比较了不含测试样本和含测试样本训练条件下的故障检测性能,结果表明结合测试样本可进一步提高算法的故障检测性能。     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

基于支持向量机的网络风险评估方法的研究

统计学习理论(Statistical Learning Theory,SLT)是一种专门研究小样本情况下机器学习规律的理论,作为统计学习理论的VC维理论和结构风险最小化(Structure Risk Minimization,SRM)原则的具体实现算法支持向量机(support vector machinse,SVM),集优化、核(Kernel)、最佳推广能力等特点于一身,其出色的学习能力被广泛的关注并在各个领域广泛应用,系统介绍基于支持向量机的网络安全风险评估,给出其可行性、优越性及SVM评估模型,最后提出该研究发展方向与前景的预见。     

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于FOA-SVM的超声信号端点检测

在超声缺陷识别系统中,端点检测是确保缺陷准确识别的重要环节。为提高在实际探伤过程中端点检测的准确率,提出一种以果蝇算法优化支持向量机的端点检测方法。针对超声检测信号的特点,采用小波包变换提取反映该信号性质的特征向量。鉴于传统方法检出率不高及支持向量机(SVM)参数难确定的问题,利用果蝇算法(FOA)优化SVM的惩罚子和核参数,提高支持向量机建模准确度。试验结果表明:FOA-SVM模型的平均检出率达到97.5%,端点检测效果明显优于传统的双门限法、普通SVM模型和GA-SVM模型。     

基于网格式支持向量机算法的转轴裂纹故障诊断

支持向量机(SVM)是一种对小样本决策具有良好学习性能的机器学习方法。常规SVM算法是从二类分类问题推导得出的,针对于故障诊断这种典型的多类决策问题,研究了一种网格式支持向量机多类算法,每个类别和其他2至4个类别之间采用常规SVM二值分类器进行分类,所需二值分类器总数少,可扩展性强。把转轴上不同位置的裂纹当作不同的故障,运用网格式支持向量机进行转轴裂纹位置故障诊断,结果表明该算法具有计算量小、诊断速度快、故障识别率高、容易扩展等优点,适合于较大规模的多类别故障诊断应用。     

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上，探讨了一种利用LS-SVM进行传感器动态误差补偿的方法，并给出了相应的过程和算法。与标准SVM补偿方法比较，该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束，将求解二次规划问题转化为直接求解线性矩阵方程，在相同样本条件下，使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明，在噪声条件下，LS-SVM方法的补偿误差约为SVM的40％。因此，LS-SVM补偿方法学习速度快，抗噪声干扰能力强，更适合传感器动态补偿。     

面向电子商务的客户关系管理数据挖掘模型研究

客户资源是企业竞争力的归宿,客户关系需要进行科学管理,这已成为现代企业的共识。电子化的客户关系管理要求企业建立客户资源数据库,并基于客户资源数据库通过网络实现客户需求分析、挖掘客户资源、实现个性化客户服务等。本文对支持向量机理论进行了研究,在介绍SVM原理的基础上,给出了基于支持向量机理论的高维空间数据挖掘方法,并结合实例研究给出了面向电子商务的智能客户关系管理模型。     

组合核函数支持向量机在水中目标识别中的应用

论文研究了支持向量机核函数构成条件以及不同核函数的特性，结合水中目标识别技术特点，提出了一种组合核函数支持向量机的方法。提取了基于小波变换的舰船辐射噪声奇异性、尺度-过零、尺度-能量特征，对水中目标进行了SVM分类识别。研究表明，基于组合核函数的支持向量机分类识别效果优于单独核函数的支持向量机识别效果。     

基于天牛须搜索优化支持向量机液压泵故障诊断

为准确地对液压泵的典型故障进行诊断，同时针对支持向量机（Support Vector Machine，SVM）在故障诊断中的参数选择问题，将天牛须搜索算法（Beetle Antennae Search，BAS）应用到SVM的参数优化中，建立BAS-SVM液压泵故障诊断模型，以此来提高SVM在液压泵故障诊断中的性能。液压泵故障诊断实例的结果表明，相比于遗传算法、粒子群算法、果蝇算法等算法的改进算法，BAS得到的SVM参数更优，使SVM获得更高的诊断精度，从而验证了所提方法的有效性。     

齿轮箱故障非线性特征测度及状态TWSVM辨识研究EI北大核心CSCD

针对齿轮箱振动的非线性,利用非线性特征测度的方法提取齿轮箱振动信号的故障特征。并利用双子支持向量机(TWSVM)对齿轮箱故障类别的辨识性能进行研究。TWSVM努力构造两个非平行的超平面来实现分类,它比支持向量机(SVM)针对多分类问题具有更好的样本不均衡适应性,并且分类性能优势明显。对齿轮箱故障类别辨识的实验表明,与传统的SVM和BP神经网络算法相比较,TWSVM具有更高的分类准确率。     

超声检测信号多特征SVM-Bayes融合识别

分析了超声检测信号识别中存在的问题。研究了将支持向量机和贝叶斯推理相结合的多特征融合识别算法。阐述了支持向量机解决分类问题的原理以及贝叶斯推理原理。设计了基于最大后验概率准则的多缺陷类型多特征SVM-Bayes融合识别方法。介绍了四种不同的特征提取方法。分别将单特征SVM方法和SVM-Bayes融合方法应用于石油套管缺陷检测信号的识别。对比试验表明：SVM-Bayes融合识别方法能有效识别上述缺陷信号,其在识别率和泛化性方面都比单特征的SVM识别方法有优势。     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

一种新型回归支持向量机的学习算法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种具有很好泛化性能的回归方法,本文对标准支持向量机稍作改动,提出了一种新型回归支持向量机,并推导出它的对偶表达方式,随后利用一个优化定理设计了一个多变量更新学习算法,该算法能单调收敛于极值点,并具有简单的迭代方式,仿真实例说明所提出的回归支持向量机及其训练算法具有较好的学习性能.     

齿轮箱故障非线性特征测度及状态TWSVM辨识研究

针对齿轮箱振动的非线性,利用非线性特征测度的方法提取齿轮箱振动信号的故障特征。并利用双子支持向量机(TWSVM)对齿轮箱故障类别的辨识性能进行研究。TWSVM努力构造两个非平行的超平面来实现分类,它比支持向量机(SVM)针对多分类问题具有更好的样本不均衡适应性,并且分类性能优势明显。对齿轮箱故障类别辨识的实验表明,与传统的SVM和BP神经网络算法相比较,TWSVM具有更高的分类准确率。     

基于相空间RVM的轴承故障检测方法

针对轴承故障检测问题,提出一种基于相关向量机(RVM)的故障检测方法.RVM算法基于贝叶斯估计理论,它产生的决策函数具有少数的相关向量,利用RVM算法松散特性,解决了支持向量机算法(SVM)计算复杂度高的不足.为进一步降低检测时间,以重构相空间投影系数为轴承故障特征.试验最后同传统的SVM算法进行了比较,结果表明所建议的方法在保持较高检测率的同时,提高了故障检测的时效性.尤其检测时间从0.67 s降低了0.005 9 s(100倍).因此,该方法非常适合于在线故障检测等实时性要求很高的领域.     

支持向量机对信号处理的应用研究

支持向量机（SVM）是一种新型的机器学习算法，是目前研究的热点问题之一。本文分析了SVM的核心思想及其核函数的参数选择问题，并给出r具体的应用。此外，还通过小渡去噪对信号进行了处理，从而提高svM的分类精度。通过实例说明了该方法的可靠性、有效性。     

支持向量机在电机转子故障诊断识别中的应用

提出了一种基于支持向量机的鼠笼式电机转子断条故障检测方法,通过对电机转子断条故障进行实验模拟,获取了采样信号,利用支持向量机(SVM)对故障样本进行训练,使得支持向量机(SVM)具有分类功能.最后,采用支持向量机(SVM)对电动机各种转子断条故障进行诊断分类,取得较满意的结果.     

基于FOA-SVM的汽轮机振动故障诊断

为解决支持向量机算法(Support Vector Machine,SVM)的核函数参数及惩罚因子参数选取的盲目性,利用果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)对SVM中参数进行优化。提出基于FOA的SVM故障诊断算法,并对汽轮机故障实验数据进行模式识别。该算法能对SVM相关参数自动寻优,且能达到较理想的全局最优解。通过与常用的粒子群算法(Particle Swarm Optimization,PSO)与遗传算法(Genetic Algorithm,GA)优化后支持向量机进行对比。结果表明,FOA-SVM算法稳定、识别速度快、识别率高。