基于选择性集成学习的高速列车故障识别研究*

在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别。但在高速列车故障中,样本的分类识别是存在区域分类精度的。本文提出了一种基于选择性集成学习的SVM多分类器融合算法,该方法选取测试样本最邻近的k个训练样本,然后选择对其分类效果好的SVM分类器进行融合,以提高分类准确率。最后使用高速列车故障数据进行了实验,并与AdaBoost、KNN、Bayes、SVM分类方法进行了比较。实验结果表明,该算法提高了分类识别准确率。     

基于人工免疫与D-S证据理论的故障诊断方法

针对使用信息融合技术进行故障诊断时,基本概率赋值难以确定的问题,提出一种基于人工免疫原理与D-S证据理论相结合的故障诊断方法.该方法使用无类标数据进行人工免疫聚类,构建每一个传感器的故障空间的分类模型,设计了中心抗体和一般抗体的识别半径对未知样本进行免疫识别,计算该样本在各故障分类器下的基本概率赋值,最后通过D-S证据理论将各基本故障概率赋值进行融合诊断,基于信任函数进行故障决策.试验结果表明该方法可以处理多信息源数据,提高了故障识别能力,有一定实践意义.     

基于粗糙集支持向量机的红外步态识别

为进一步提高红外步态识别精度,构建了一种多分类器融合识别新模型,在根据各单分类器识别输出值构建度量向量的基础上,进行基于粗糙集支持向量机的多分类器融合识别.通过在Matlab7.5平台利用中科院红外步态库进行识别仿真实验,获得识别率和累积匹配分值的实验数据及对比结果.实验结果表明,基于粗糙集支持向量机的多分类器融合识别模型比单分类器在识别率方面有大幅度提高,识别性能理想,识别精度高.     

基于多分类器融合算法的3D人脸年龄识别

为了提高人脸识别中待测人脸图像年龄估计的正确率,提出了一种基于多分类器融合的3D人脸年龄识别算法.首先.利用人脸的纹理信息将二维图像映射到标准三维模型上,并以贝叶斯决策理论为基础,对Kittler提出的多分类器融合算法理论框架及其组合规则进行了详细的研究、讨论和改进,然后应用改进后的多分类器组合规则将多个单独识别分类器加以融合以达到分类未知年龄目标人脸的目的,并估计人脸年龄.实验结果表明,算法可有效估计日标人脸年龄,并减小估计误差.     

基于信息融合的模式识别方法研究

将多特征多分类器的模式识别看作信息融合问题,提出了一种基于支持向量机理论的决策级信息融合模型,并讨论了基于该模型的识别精度以及学习样本数之间的关系.通过对ORL人脸图像库、CENPAMI手写体数字数据库这两类不同样本问题的识别实验表明,基于信息融合的模式识别方法可以取得较高的整体识别性能.     

一种基于多分类器融合的人体运动行为识别模型

为了提高基于智能设备的人体日常行为识别的准确率,针对不同智能设备内置加速度传感器获取的三轴加速度信息,提出了一种基于多分类器融合的行为识别MCF(Multiple Classifier Fusion)模型。针对5种日常行为(静止、散步、跑步、上楼及下楼),优选出与每种行为相关度高的特征集,用于训练对每种行为识别效果最佳的5个基分类器,并采用一个融合器对5个基分类器的输出进行融合处理,得到最终行为识别结果。该模型对这5种行为的平均识别准确率和可信度分别达到96.84%和97.41%,能有效进行用户行为识别。     

基于SVM的多分类器融合算法在说话人识别中的应用

多分类器协同合作克服了单个分类器识别效果不理想,适用范围较窄或对使用环境要求较高的不足,并为研制更高性能的分类器,提供了解决问题的另一个途径.提出了一种基于SVM的多分类器说话人识别系统,该系统的识别框架基于多分类器的协同工作.该多分类器系统采用了ANN(artificial neural networks)、GMM(gaussian mixed model)分类器和子带结构分类器,参数选取包括MFCC(mel frequency cepstrum coefficient)、LPCC(linear prediction cepstrum coefficient).多分类器融合采用SVM方法.本系统在超短波信道(15 db)的实际应用中达到94%的识别率.     

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。     

改进的D-S证据理论在电路故障诊断中的应用研究

针对传统的线路切割法在电路故障诊断表现出的诸多问题,提出了一种基于改进D-S证据理论的电路故障诊断方法.在该方法中,基于多传感器的故障信息源的并集共同构成识别框架,并利用改进的Dempster合成法则对测试数据进行融合.实例研究表明,该方法增加了诊断系统的可分析性,有效地提高了故障模式的识别能力,使故障元器件定位的准确...     

一种模糊神经网络在故障分类中的应用研究

针对故障分类中的非线性映射问题,提出了一种基于模糊逻辑作为激活函数的人工神经网络。该网络容易由硬件实现,同时增加基于IF-THEN规则的神经网络的解释性,提高了模糊神经网络作为分类器进行实时识别和分类的可行性。将所提出模糊神经网络分类器用于高压输电线路故障分类,仿真实验结果表明,该分类器对故障类型有较强的识别能力,适合于在线故障识别系统。