基于混合算法优化的SVM多分类器齿轮故障诊断模型

为了提高支持向量机分类器的故障诊断精度,该文提出了一种基于混合算法优化支持向量机的故障诊断模型。首先,在混合算法中引入灰狼和金豺的夺食机制。其次,优化支持向量机,从而得到最优的支持向量机模型。最后,提高对齿轮故障模式的诊断精度。以某饲料生产企业采集到的数据为基础进行实例分析,结果表明,采用基于灰狼和金豺算法的混合算法优化支持向量机参数比标准的灰狼算法和金豺算法优化效果更好。在模型诊断精确度方面,混合算法优化的支持向量机诊断模型比未优化支持向量机、灰狼算法优化支持向量机和金豺算法优化支持向量机诊断模型分别提高了15.156 6%、4.913 3%和8.959 6%。     

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。     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

基于残余动量时频特征和SVM的机械臂故障分类

针对两连杆三自由度机械臂的电机故障和碰撞故障的分类,将残余动量信号时域中的均值、方差、相关系数与频域中的小波包能量谱组合成高维特征向量;搭建ADAMS机械臂虚拟样机,分析故障引起的残余动量特征值变化情况;虚拟样机与Matlab/Simulink进行联合仿真和支持向量机故障分类器训练,测试表明采用时频特征向量得到的故障分类准确率为98%;在工业机械臂上开展了碰撞故障实验,得到的故障分类结果表明,基于残余动量时频特征和支持向量机分类器的故障检测算法能有效检测出碰撞故障.     

自适应免疫算法的SVME用于水下目标识别

针对用支持向量机集成提高水下目标识别正确率会使识别系统更加复杂的问题,提出了一种以自适应免疫算法(AIA)的支持向量机选择性集成(SVME)算法(即AIA-SVME算法)进行分类器优化选择,对实测水下目标声信号进行分类识别.与分类器全部集成的识别实验对比证明,该算法在选择9%的分类器后仍可以达到分类器全部集成的识别效果,不仅保证了识别精度,还使得识别系统大幅度精简,节省在线识别的时间.该研究对于水下目标分类决策优化集成的新方法探索具有重要理论价值和实际意义.     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于支持向量机的控制系统故障诊断研究

支持向量机(SVM,Support Vector Machines)是构造数据挖掘分类器的一项新型技术,并且成为模式识别和故障诊断的有效工具.为有效利用SVM进行故障诊断,主要从SVM研究热点、分类算法以及基于MATLAB的SVM工具箱进行了论述,详细讨论了工具箱中的分类函数,并对其模型参数选择进行了研究.通过对某控制系统的故障进行诊断,故障诊断结果定位准确,证明了SVM分类的有效性以及特定情况下模型参数选择的可行性.     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于多超平面支持向量机的图像语义分类算法

由于图像的低层可视特征与高层语义内容之间存在巨大的语义鸿沟,而基于内容的图像分类和检索准确性极大依赖低层可视特征的描述,本文提出了一种基于多超平面支持向量机的图像语义分类方法.多超平面分类器从优化问题的复杂度和运行泛化能力两方面进行研究,是最优分离超平面分类器一种显而易见的扩展.实验结果表明,本文提出的方法在图像语义分类的准确性方面要优于诸如采用色彩特征和纹理特征的支持向量机分类器的其它方法.     

基于一类超球面支持向量机的机械故障诊断研究

针对机械故障诊断中故障类样本不易获取以及样本分布不均的问题,提出了基于一类超球面支持向量机(SVM)的故障诊断方法,该方法只需要对正常类样本进行训练.试验分析了异常类样本缺失对一类超球面支持向量机性能的影响,并提出模型参数优化选择方法,以提高分类模型的推广能力.分析了不同训练结果的分类能力,并对一类超球面支持向量机与一类超平面支持向量机的分类结果进行比较,验证了前者的正确性和有效性.