结合SVM与DS证据理论的信息融合分类方法

针对多传感器数据融合分类中,DS证据理论基本概率赋值难以解决的问题,提出了一种结合SVM与DS证据理论的信息融合改进方法。根据SVM对输入数据分类的实际情况和基于混淆矩阵得到的分类器局部识别可信度来构造基本概率赋值函数,实现了两者的有效结合,建立了SVM与DS证据相结合的多传感器信息融合模型。在决策融合过程中,重视和考虑了分类器局部识别可信度信息,并对算法进行了复杂度分析。基于UCI数据集和人工数据集的仿真结果表明该方法能够有效地降低融合识别的误差率,提高识别的可信度。     

基于小样本不均衡数据的供水管道泄漏智能检测算法

针对能源电厂供水管道泄漏视觉检测存在数据样本少、不均衡等问题,提出一种基于小样本不 均衡数据的供水管道泄漏智能检测算法。首先,提出一种基于多掩码混合 Multi-mask mix 的数据增强方法,通 过随机生成掩码层对原始图像进行区域提取与混合,在 Multi-mask mix 中引入支持向量机(SVM)获取管道正常 和泄漏特征,为混合掩码块提供更准确的先验标签;其次,提出一种均衡化策略并应用于图像层面和掩码层面, 以实现数据均衡化;最后,基于深度学习的 Resnet18 网络模型实现管道泄漏检测与识别。实验结果表明,该算 法处理图像数据后可使 Resnet18 模型对管道泄漏识别准确率提升 1.1% ~ 4.4%,说明深度学习模型能有效提升 管道泄漏检测的分类精度,优于现有其他算法。此外,该算法现已成功应用于能源电厂供水管道泄漏检测。     

结合SVM和DS 证据理论的多极化HRRP 分类研究

针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和 DS 证据理论提出一种多极化HRRP 分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的可信度.将该可信度值与 SVM 后验概率结合到 DS 证据理论的基本概率赋值(BPA)中,以实现 SVM 和 DS 证据理论在目标识别中的有效结合.对实测目标数据的实验结果表明,基于分类器可信度得到的 BPA 能够有效避免证据冲突, SDHRRP 方法可以有效降低融合分类的误差率.     

管道泄漏检测支持向量机的方法实验研究

提出一种基于支持向量机的锅炉管道泄漏声发射检测技术。首先对管道泄漏声发射信号进行特征参数提取,然后将提取的特征参数作为特征向量输入支持向量机进行分类处理,并进行训练。训练后的支持向量机可以利用测量的声发射信号来判断泄漏信号的类别,实现了对泄漏信号的有效识别。试验结果表明该方法在管道泄漏诊断中是有效可行的,验证了声发射技术应用于管道泄漏检测的可行性。     

基于SVM与D-S证据理论的异步电动机转子断条故障诊断方法

目前异步电动机转子断条故障诊断方法都是基于从定子电流中提取出特征频率来对转子状态作出诊断的方法,当异步电动机空载或轻载时,该特征频率易受基频泄露的影响而很难得到,同时该特征频率受转速波动影响很大,单纯根据该特征频率对转子状态作出判断缺乏准确性。针对上述问题,提出了一种运用SVM与D-S证据理论对异步电动机转子断条故障进行识别的诊断方法。该方法基于扩展Park法与FFT变换法,分别从定子电流信号和振动信号中提取转子断条故障的特征信息,利用SVM对异步电动机的状态进行模式识别,并将识别结果形成彼此独立的证据,而后根据D-S证据融合规则进行融合处理,从而实现对异步电动机转子断条故障的准确识别。实验结果表明,该方法可以对异步电动机转子断条故障作出准确判断。     

基于声发射技术的管道泄漏检测系统

根据管道泄漏时产生声发射信号的现象，构建了一种管道泄漏与泄漏点定位的检测系统。重点介绍系统软、硬件设计中的关键问题及其解决方法，现场测试表明，该系统在泄漏的识别和定位上有着良好的效果。     

基于多分类器融合的林火检测方法研究

为了解决现有视频火焰检测算法在环境发生变化时识别精准度低、检测结果不佳等问题,提出了一种基于DS证据理论的多分类器融合林火检测方法。该方法通过提取疑似区域,对比选取了颜色、圆形度、面积三种火焰特征,然后分别输入支持向量机(SVM)、最临近(KNN)和决策树(DT)中进行分类识别,最后利用DS证据理论进行决策级融合。通过与其他方法对比实验表明,该方法受环境变化的影响较小,当识别场景发生改变时,识别精准度变化不超过3%,仍保持较高的识别精准度,具有良好的应用前景。     

管道阀门泄漏信号仿真分析

研究管道阀门泄漏检测的技术,针对复杂背景噪声影响,管道泄漏信号不能准确识别及时频特性精确提取.提出了一种基于小波包和时频能量分布的管道阀门声发射泄漏检测的方法,利用小波包重构还原管道阀门泄漏声发射信号,通过计算Choi-Williams时频分布,提取时频特征,实现了泄漏信号识别和时频特性分析.采用PVC管道搭建了管道阀门泄漏声发射检测的实验模型,泄漏状态通过阀门开启度调节.在严重的背景噪声环境下,实时采集泄漏信号,并进行仿真.结果表明,采用小波包和时频能量分布的分析方法可以准确识别严重背景噪声下的泄漏信号,证明了该方法的可行性.     

基于EMD与SVM的泄漏声发射信号识别方法

声发射信号普遍存在于管道、锅炉泄漏事故中,是否能在设备出现裂纹及微小泄漏时有效检测到相关信号是防止事故发生的关键。支持向量机(SVM)有比神经网络更强的泛化能力,其找到的极值解就是全局最优解,同时它还较好地解决了小样本学习分类问题。针对声发射信号的非线性非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(EMD)、自回归(AR)模型和SVM相结合的泄漏声发射信号分类方法。首先将采集到的信号进行EMD分解,得到若干个固有模态函数(IMF)之和,然后分别对每一阶IMF分量进行AR建模,提取每一个AR模型的参数组成特征向量,最后利用SVM对3种模拟声发射信号进行分类识别。实验表明,该方法比BP神经网络的识别率更高。     

支持向量机与证据理论在信息融合中的结合

在多传感器信息融合中,DS证据理论是一种重要方法,但是它的基石基本概率分配(BPA)一般不易确定,从而使它的优势难以得到发挥。支持向量机(SVM)是建立在统计学习理论之上的一种新型学习算法,但SVM的硬判决输出却不便于进行多传感器信息融合。为便于信息融合,本文提出了一种具有BPA输出的二类SVM,通过分析Platt概率输出模型的实质与不足提出利用SVM精度下限对其进行加权处理来得到证据理论的BPA方法,实现了SVM与DS证据理论在信息融合中的结合。仿真结果表明通过本文方法可以实现多传感器的信息融合并大大降低了融合识别的误差率。     

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机( SVM)的模式识别方法.该方法对采集的表面肌电信号( sEMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM( AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度.通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率.     

LMD特征融合与SVM的供水管道堵塞识别

针对城市供水管道早期堵塞难以检测的问题,提出了一种基于局部均值分解(LMD)的分量信号特征提取,结合支持向量机(SVM)的堵塞故障识别方法.先对声响应信号进行LMD,得到若干乘积函数(PF)分量,进而采用相关分析法选取有效PF分量,对有效PF分量分别提取能量熵、近似熵和平均声压三个指标的特征,构建分类特征集.最后利用交叉验证(CV)方法优化参数的SVM分类器识别堵塞故障信号.实验结果表明:采取基于LMD特征融合和通过CV优化的SVM相结合的方法可以有效识别供水管道的初期堵塞.与基于LMD特征融合和BP神经网络的方法进行了对比,结果表明:本文方法具有更好的堵塞故障识别效果.     

基于SVM的语音情感识别算法

为有效提高语音情感识别系统的识别正确率,提出一种基于SVM的语音情感识别算法.该算法提取语音信号的能量、基音频率及共振峰等参数作为情感特征,采用SVM(Support Vector Machine,支持向量机)方法对情感信号进行建模与识别.在仿真环境下的情感识别实验中,所提算法相比较人工神经网络的ACON(All Cl...     

Leak detection of pipeline: An integrated approach of rough set theory and artificial bee colony trained SVM

The generation of leak along the pipeline carrying crude oils and liquid fuels results enormous financial loss to the industry and also affects the public health. Hence, the leak detection and localization problem has always been a major concern for the companies. In spite of the various techniques developed, accuracy and time involved in the prediction is still a matter of concern. In this paper, a novel leak detection scheme based on rough set theory and support vector machine (SVM) is proposed to overcome the problem of false leak detection. In this approach, ‘rough set theory’ is explored to reduce the length of experimental data as well as generate rules. It is embedded to enhance the decision making process. Further, SVM classifier is employed to inspect the cases that could not be detected by applied rules. For the computational training of SVM, this paper uses swarm intelligence technique: artificial bee colony (ABC) algorithm, which imitates intelligent food searching behavior of honey bees. The results of proposed leak detection scheme with ABC are compared with those obtained by using particle swarm optimization (PSO) and one of its variants, so-called enhanced particle swarm optimization (EPSO). The experimental results advocate the use of propounded method for detecting leaks with maximum accuracy.     

基于EMD与VPMCD的矿浆管道泄漏检测方法

针对矿浆管道工况调整给泄漏检测带来的干扰,准确提取泄漏信号的特征量是降低泄漏误报、漏报的关键.提出了一种基于经验模态分解(EMD)与变量预测模型(VPMCD)的泄漏检测方法.将压力信号分解为若干个本征模函数(IMF)分量,得到能够准确反映工况特征的局部Hilbert能量谱,并作为特征值向量,通过VPMCD分类器建立泄漏识别模型.方法应用于泄漏检测中,实验结果表明:矿浆管道在正常运行、泄漏和工况调整状态下,识别率达到95%,并综合分析流量信号,提高了泄漏检测精度.     

输油管网泄漏检测与定位方法的研究

提出了一种新颖的基于模式识别的输油管网泄漏检测与定位的方法．该方法采集管网每个端点的压力信号，并基于模式识别的原理对管网进行泄漏检测与定位．仿真实验结果表明了该方法的有效性．     

基于PCA-SVM准则改进区域生长的非结构化道路识别

针对智能车辆在非结构化道路识别中需要采用众多的特征参数,增加了特征融合识别难度与计算复杂度,并且部分背景与道路区域存在相似性会产生道路识别的误分、误判的问题,提出了一种基于主成分分析的支持向量机（PCA-SVM）准则改进区域生长的非结构化道路识别算法。首先,对非结构化道路颜色、纹理等复杂特征信息进行提取,采用PCA对提取的特征信息进行降维;然后,利用降维后的主元特征对SVM进行训练后作为复杂道路单元格的分类器。利用道路位置、起始单元格等先验知识以及道路边界单元格统计特征改进区域生长方法,在单元格生长时利用分类器判别,排除误判区域。实际道路检测结果表明,所提算法具有较好的鲁棒性,能够有效识别非结构化路面区域。对比结果表明,所提算法在保证准确率的同时,将10余维复杂特征信息压缩为3维主元特征,相比传统算法可缩短计算时间一半以上。针对背景与道路相似区域造成的传统算法10%左右的误判问题,所提算法能够有效排除。在野外环境下基于视觉的局部路径规划与导航方面,所提算法为缩短识别时间、排除背景干扰提供了可行途径。     

基于动态压力变送器的输油管道泄漏检测与定位系统

设计了一套基于动态压力变送器的输油管道泄漏检测与定位系统,阐述了其系统组成和检测原理.通过动态压力变送器获取管道的动态压力信号,采用基于经验模态分解的方法提取信号的特征向量,再利用支持向量机实现对管道泄漏的识别.最后采用相关时延估计算法获得管道泄漏点的位置.通过现场应用实例表明,动态压力变送器具有更高的检测灵敏度和泄漏分辨力.该系统能够对管道泄漏进行正确识别,可以有效地降低误报警率,并提高了泄漏检测的灵敏度和定位精度.     

Diagnosis and Localization of Pipeline Leak Based on Fuzzy Decision-making Method

A leak detection plays a key role in the overall integrity monitoring for a oil pipeline system.A fuzzy decision-making approach to pipeline leak localization is proposed in this paper. The two main methods,pressure gradient localization and negative pressure wave localization,are combined with fuzzy logical decision-making method to form a novel fault diagnosis scheme.The combination scheme can improve the precision of localization.An application example,14km long oil pipeline leak detection and localization,is illustrated.This method is compared with others through practical experiments and its validity is confirmed by the results.