一种用于电力变压器故障识别的理论方法研究

支持向量机方法基于小样本的统计学习理论,其本质上是个优化和分类问题。本文设计了一种使用遗传算法优化多分类支持向量机参数,并将参数优化后的多分类支持向量机用于电力变压器故障识别的方法。该方法对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需要的n+1个特征量,然后利用数值预处理后得到的数据样本对多分类支持向量机进行训练和识别,通过输出结果判断变压器所处的状态,以达到设备状态监测的目的。     

基于非均衡数据的ADASYN-CatBoost测井岩性智能识别——以胶西北招贤金矿床为例

快速准确地识别覆盖区下伏地层与岩体，对于金属矿山地质找矿工作具有重要意义。针对矿床地层与岩体中复杂岩性分布的多样性和非均衡性，考虑测井响应特征与岩性之间的强非线性关系，提出了一种基于ADASYN非均衡数据处理和CatBoost机器学习的测井岩性智能识别方法。首先，利用ADASYN算法处理非均衡测井样本数据，根据小类样本加权分布生成合成样本；然后，采用CatBoost算法结合网格搜索以及十折交叉验证建立最优岩性识别模型；最后，通过模型输出的特征重要性及部分依赖图对岩性分类结果进行解译。以胶西北招贤金矿床实例测井数据为基础，针对10类岩性进行识别和解译分析，模型评价结果表明：测试集上的精确率、召回率和F1分数分别达到98.21%、98.20%和98.20%。将CatBoost岩性分类与GBDT、LightGBM算法进行对比，结果表明CatBoost分类效果最优，且均优于样本数据未均衡化处理的岩性识别效果。通过与实例录井剖面岩芯岩性进行对比，验证了模型分类结果的有效性。     

基于群体智能优化的MKL-SVM算法及肺结节识别

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。      

基于遗传算法优化的支持向量机品位插值模型

将支持向量机(SVM)和遗传算法(GA)集成应用到矿体品位插值问题中,利用遗传算法全局搜索的优势对支持向量机的三个关键参数——惩罚系数C、不敏感系数ε和核函数参数σ进行寻优,克服单纯支持向量机法中依靠经验确定参数的局限性.将优化参数代入到支持向量机中进行迭代训练,得到基于遗传算法参数优化的支持向量机(GA-SVM)矿体品位插值模型.以国内典型矿山的实际勘探数据为例,通过该品位插值模型计算结果与传统插值方法计算结果和矿山生产实际数据的对比分析,验证了其可行性和有效性.      

铝电解槽寿命预测研究

本文用支持向量机回归算法处理了某铝电解工厂150KA电解槽系列的有关铝电解槽寿命的工业数据（生产操作条件），分析了工业数据中有关铝电解槽寿命的主要影响因素．建立了铝电解槽寿命的定量预测（支持向量回归）模型，用留一法交叉验证方法分别检验了所建定量预测模型的预报能力。所建铝电解槽寿命定量预测模型的留一法交叉验证的误差小于18％。最后通过对已停电解槽进行验证预报证明了谊预测模型具有一定的可行性和实用性。     

基于卷积神经网络的反无人机系统声音识别方法

针对如何识别无人机的问题,提出了一种基于卷积神经网络的声音识别无人机的方法。首先,对100 m范围内的无人机、鸟和人的声音进行采集、预处理和提取MFCC+GFCC特征值,将其特征参数作为卷积神经网络学习和识别的数据集;然后分别设计了支持向量机和卷积神经网络两种模型对无人机等声音进行识别实验。实验结果表明,运用支持向量机识别无人机的准确率为91.9%,卷积神经网络识别无人机的准确率为96.5%。为了进一步验证设计的卷积神经网络的识别能力,在部分UrbanSound8K数据集上进行测试,准确率达到90%。实验结果表明运用卷积神经网络识别无人机具有可行性,且识别性能优于支持向量机。      

基于支持向量机算法的连铸坯端面信息码识别方法

针对传统的连铸坯端面信息码人工识别存在的受生产现场环境和人为操作因素影响大且易出错的问题,提出了基于支持向量机算法的连铸坯端面信息码识别方法.该方法使用Python语言,利用滑动窗口从采集的图像中抽取对象,进而对数据集样本进行训练,通过使用滑动窗口物体检测算法和支持向量机分类器模型,完成对连铸坯端面信息码的智能识别.详...     

小样本贫信息条件下高炉冶炼烧结终点组合预测法

由于烧结过程具有不确定性、多变量耦合、时变时滞的特点,并且烧结终点受多种因素的影响,采用传统控制方法难以将烧结终点控制在要求的范围内,提出应用支持向量机优良的时序预测性能,以及贝叶斯理论能够利用样本信息和先验知识来简化预测模型和优化参数的特性,建立了贝叶斯支持向量机烧结终点的预报模型.首先对烧结终点的机理分析,后分别叙述贝叶斯框架理论和LS-SVM算法,并将贝叶斯证据框架应用于最小二乘支持向量机模型参数的自动选择,建立起时间序列的烧结终点非线性预测模型.在贝叶斯推断的第一层,进行模型参数的选择;在贝叶斯推断的第二层,进行模型超参数的选择;在贝叶斯推断的第三层,估计模型核参数,然后利用贝叶斯最小二乘支持向量机算法(LS-SVM)对烧结终点进行预测,并在此基础上构造了烧结终点的贝叶斯最小二乘支持向量机模型.仿真结果和多种模型比较表明,本模型能在小样本贫信息条件下对烧结终点做出比较准确的预测,并具有预测精度高、所需样本少、计算简便等优点,取得了令人满意的结果.     

基于多目标支持向量机的ADHD分类

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一,在大多数情况下持续到成年期。近年来,基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的,然而事实上,ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本,从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题,即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征,提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型,其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差,进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解,并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估,并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好,可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断,还可用于阿尔茨海默病和自闭症等疾病的辅助诊断。      

基于合成核支持向量机的高光谱土地覆盖分类

提出一种基于合成核支持向量机的高光谱数据分类方法.该方法首先对高光谱数据进行分组,对得到的不同数据组分别运用支持向量机方法进行分类参数的优化,然后组合不同的核函数来综合不同的数据组,得到最终的分类结果.利用华盛顿地区HYDICE高光谱数据对所提出的方法进行评价和验证,结果表明,基于合成核支持向量机的高光谱图像分类,可获得比传统支持向量机更高的分类精度.     

基于主元分析法的磨音信号特征提取

为有效提取球磨机磨音信号特征实现负荷识别,提出一种基于主元分析法(PCA)的特征提取方法。以实验室球磨机为对象,采集球磨机的工作磨音信号,经降噪处理后,通过Welch法对磨音信号进行功率谱估计,并通过主元分析法对磨机磨音功率谱分段后得到的基本特征进行特征提取。通过支持向量机预测模型对特征提取后的样本集进行仿真验证。结果表明,特征提取后的特征有更好的识别效果和更小的随机性,可作为负荷预测模型的输入,实现球磨机负荷的预测。     

基于支持向量机的低压故障电弧识别方法

故障电弧是引发电气火灾事故的主要原因之一。本文将支持向量机引入故障电弧研究领域,进行不同负荷情况下的故障电弧识别检测。首先参照美国ULl699标准进行实验采集电流数据,然后利用支持向量机实现故障电弧的训练、检测识别,并对训练、识别结果进行了分析,实验证明本文的检测方法具备一定的泛化能力。     

基于激光诱导击穿光谱技术的废旧金属分类辨识

废旧金属回收是工业中金属的重要来源之一,是发展循环经济的重要内容。废旧金属产量巨大,通常表面覆盖杂质,凹凸不平,因此对分类方法的判别能力和计算速度提出较高要求。采用激光诱导击穿光谱技术研究分析了7种废旧金属分类识别问题,包括生铝、熟铝、镁、不锈钢、锌、黄铜与红铜。为了符合现场应用条件,实验中每个样本点只激发一次建立并分析了多种分类模型,包括支持向量机(SVM)分类模型,主成分分析方法结合支持向量机(PCA-SVM)分类模型,遗传算法结合支持向量机(GA-SVM)分类模型,遗传算法选择特征光谱结合主成分分析方法和支持向量机(GA-PCA-SVM)分类模型,以及遗传算法选择特征光谱结合主成分分析方法和人工神经网络(GA-PCA-BP)分类模型。通过遗传算法选取包含丰富特征的谱段组合与支持向量机方法相结合建立GA-SVM分类模型,490组验证样本分类准确率为93.47%。为了判断该模型的鲁棒性,对一批新样品,在自研的分选系统上以传送带匀速运行的方式进行测试,获取的750组光谱测试数据,分类准确率为88.27%,证明了该分类模型具有很好的移植性和应用性。     

基于激光诱导击穿光谱技术的废旧金属分类辨识

废旧金属回收是工业中金属的重要来源之一,是发展循环经济的重要内容。废旧金属产量巨大,通常表面覆盖杂质,凹凸不平,因此对分类方法的判别能力和计算速度提出较高要求。采用激光诱导击穿光谱技术研究分析了7种废旧金属分类识别问题,包括生铝、熟铝、镁、不锈钢、锌、黄铜与红铜。为了符合现场应用条件,实验中每个样本点只激发一次建立并分析了多种分类模型,包括支持向量机(SVM)分类模型,主成分分析方法结合支持向量机(PCA-SVM)分类模型,遗传算法结合支持向量机(GA-SVM)分类模型,遗传算法选择特征光谱结合主成分分析方法和支持向量机(GA-PCA-SVM)分类模型,以及遗传算法选择特征光谱结合主成分分析方法和人工神经网络(GA-PCA-BP)分类模型。通过遗传算法选取包含丰富特征的谱段组合与支持向量机方法相结合建立GA-SVM分类模型,490组验证样本分类准确率为93.47%。为了判断该模型的鲁棒性,对一批新样品,在自研的分选系统上以传送带匀速运行的方式进行测试,获取的750组光谱测试数据,分类准确率为88.27%,证明了该分类模型具有很好的移植性和应用性。     

支持向量机理论与算法研究综述

统计学习理论(statistical learning theory,SLT)是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.支持向量机(support vector maehinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景.     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级.支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题.选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等 8 个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行训练,并得到评判因子与围岩级别的映射关系,从而可以对未知的围岩样本进行级别判别.判别结果表明:采用多项式核的支持向量机对围岩级别进行判别有较高的准确率,是一种值得推广和应用的围岩智能分级方法.     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。     

基于支持向量机的高炉炉况诊断方法

现实中高炉炉况的征兆样本集是有限的,常规的基于经验风险最小化原则的方法的应用效果并不理想.支持向量机方法是针对小样本集分类问题提出的,具有很好的泛化能力,因此采用最小二乘法支持向量机进行高炉炉况诊断.通过仿真试验证实此方法具有很好的诊断效果.     

回转干馏炉内油页岩停留时间模型建立及其预测

为了提高估算MRT精度,文中采用支持向量机算法对求解MRT问题进行了建模,并在一定约束条件下,利用Gridregression.py寻找回归最优参数方法对支持向量机模型的参数进行了优化,获得了最优的模型参数.支持向量机模型将操作参数和结构参数作为输入量,MRT作为输出量,用实验数据对模型进行了校验和参数的寻优,利用优化后的模型对MRT进行了预测,并将预测结果与实验结果进行了对比,结果表明,优化后的支持向量机模型实现了对MRT较精确的预测.通过实验值和运动模型构建了平均停留时间的经验公式,结果表明:该平均停留时间经验公式的拟合曲线相对均方差为0.05,拟合效果良好.     

基于遗传算法的LIBS钢液定量分析

为了更好地对钢液进行定量分析,利用激光诱导击穿技术（LIBS）建立支持向量机模型,使用遗传算法优化支持向量机的参数。以钢液中锰元素的质量分数进行验证性试验,通过与传统方法作比较,将两种方法的试验结果进行对比来达到试验目的,最终的试验结果通过以下3个参考量可以看出,即均方根误差、相对标准误差和相关系数,分别为0.612%、9.37%、0.948。结果表明,使用遗传算法的支持向量机模型对分析性能有一定的提高。