多分类SVDD混叠域识别的模拟电路故障诊断

JP+1]针对多分类支持向量域数据描述(SVDD)方法中混叠样本诊断精度差的问题,提出了一种带异类样本的多分类SVDD算法;该方法在普通SVDD超球模型基础上,对于存在混叠区域的类别,以该类所有样本为目标类,其他类与之混叠的样本为异类,利用带异类样本的SVDD算法重新训练,直至所有超球优化完毕;仿真实验验证了文章算法消除混叠和提高精度的能力,并将该算法应用于模拟电路故障诊断中;相较与SVDD多分类算法、一对一和一对多SVM算法,文章方法在模拟电路故障诊断中具有更高的诊断精度。     

基于RS和DWT—IOSVM的模拟电路故障诊断

针对以往故障诊断模型往往忽略故障数据中存在的大量无关和冗余信息以及故障诊断精度不高的缺点,设计了一种基于粗糙集(Rough Set,RS)和离散小波变换(Discrete Wavelet transform,DWT)一支持向量机(Support Vector Machine,SVM)的模拟电路故障诊断方法;首先,采用离散小波变换获取电路故障诊断特征向量以去除无关信息;然后通过基于RS属性出现频率的差别矩阵算法对特征向量进行属性约简以消除冗余属性;最后,建立多分类的SVM对电路进行分类以实现故障诊断,为了进一步提高故障诊断精度,采用改进免疫优化算法(Immune Optimizing Algorism,IOA)对SVM核函数的各参数进行优化;仿真实验表明,文中方法能有效实现电路的故障诊断,与其它方法相比,故障精度高达100%,是一种有效的电路诊断方法。     

基于DCCA-IWO-MKSVM的模拟电路故障诊断方法

为了提高模拟电路故障的诊断效果,提出基于DCCA-IWO-MKSVM的模拟电路故障诊断方法。采用DCCA算法对模拟电路的故障特征进行提取,构造新的融合特征。对支持向量机的核函数进行线性组合构造新的多核函数,并用IWO算法对其参数进行优化,以构建最优故障诊断模型,用于融合特征的学习分类。故障诊断实验结果表明:对于融合特征的故障诊断效率,该算法要优于单核函数的IWO-SVM算法,且整个故障诊断系统的诊断效果具有较高的准确率。     

一种基于D-S证据理论的融合RGB特征和Depth特征的3D目标识别方法

针对利用单一特征进行3D目标识别导致识别率低的问题,结合RGB图像和Depth图像的优势,提出一种结合支持向量机(SVM)和D-S证据理论的融合RGB特征和Depth特征的3D目标识别方法。该方法提取目标物体的RGB特征以及Depth特征,分别以这两类单特征的SVM的概率输出作为独立的证据,构造出基于每个证据的基本概率分配函数(BPA),利用D-S证据融合规则进行证据融合,并根据决策准则得到最终的3D目标识别结果。在Kinect相机得到的RGB-D数据集上进行实验验证,结果表明,该方法能够有效地实现对RGB特征和Depth特征的融合,提高了3D目标识别的识别准确性和可靠性。     

基于Fisher准则函数的相关向量机模拟电路故障诊断*

针对模拟电路故障与特征间存在的模糊组及交叠、分类效果不理想的情况,提出基于Fisher准则函数的最佳聚类数自适应估计方法和基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,采用模糊核聚类选择最优可诊断故障集,然后在贝叶斯框架下对故障进行分类.该模型可以对分类函数的权重进行推断,辅助进行诊断决策,提高了RVM...     

PCA-SVM在模拟电路故障诊断中的应用

主元分析法(PCA)通过提取故障样本集的主元得到降维的特征空间,利于故障特征提取;支持向量机(SVM)应用于故障诊断时具有良好分类性能;结合两者优点,提出了基于PCA特征提取和SVM相结合的模拟电路故障诊断识别新方法:对电路输出响应信号进行PCA处理,提取故障特征的主成分,然后利用多类SVM对故障模式进行分类决策,实现故障诊断;仿真实验结果表明,该方法能够实现模拟电路故障的快速检测与故障定位,具有速度快、精度高、鲁棒性好的特点。     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

基于改进果蝇算法的模拟电路故障诊断

针对模拟电路中非线性元件故障的定位问题,提出一种改进的果蝇算法优化支持向量机的故障诊断方法。首先对被诊断电路的输出信号进行采样,用Volterra级数提取输出信号的特征,然后利用改进的果蝇算法优化SVM的核函数参数和结构参数,建立诊断模型,在对数放大器电路中对故障进行诊断分类。通过实验可以看出,该方法能够有效避免支持向量机参数选择的随机性,有利于提高诊断精度,并且有较快的诊断速度。     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

基于Boruta-PSO-SVM的股票收益率研究

针对股票收益率的分类预测研究中支持向量机(SVM)存在的参数选择困难以及分类性能较差的问题,提出了一种基于特征选择(Boruta算法)和粒子群优化(PSO)算法SVM的新算法.通过Boruta算法对训练集进行特征选择,剔除无价值的特征以降低输入维度,同时引入PSO算法优化SVM核函数参数,从而提高SVM的分类性能.实验结果表明:相比决策树、神经网络及极限学习机算法,新算法取得了更高的分类精度,可以有效提高股票收益率的分类预测性能.     

应用决策层信息融合的模拟电路故障诊断实现

研究了基于多类电量测试信息及其多诊断方法融合的模拟电路故障诊断。获取可及节点电压,运用K故障诊断法进行故障在线检测与初步定位,再离线测量电路在不同的测试频率下输出对输入的增益,运用最小标准差法进行诊断。由所提故障隶属函数得到基于各类测试信息的元件故障隶属度,以此计算D-S证据理论中各传感器的信度函数分配,再运用D—S合成法则实现融合诊断。模拟实验结果表明：所提融合诊断方法大大提高了故障定位的准确率。     

基于融合特权信息支持向量机的模拟电路故障诊断新方法

针对模拟电路故障诊断复杂多样难于辨识的问题,提出了基于融合特权信息支持向量机的模拟电路故障诊断新方法。首先对采集的信号进行主成分分析(PCA)——特征提取;然后将训练集输入融合特权信息支持向量机进行训练获得故障诊断模型;最后将测试集输入训练好的支持向量机分类模型,实现对不同故障类型的识别。Sallen-Key滤波电路故障诊断仿真实验结果表明,该方法有效提高了分类的性能,不仅能够正确分类单故障而且能够有效分类多故障,其中单硬故障情况下平均故障诊断率达到了99%以上,为模拟电路故障诊断提供了新的途径。     

模拟电路故障诊断的子空间集成方法

针对模拟电路故障诊断难的问题,提出交叉熵方法加权子空间特征集成支持向量机的模拟电路故障诊断方法。对跳蛙滤波电路的故障诊断仿真实验表明,该方法获得训练集和测试集的故障诊断率分别为89%和88.6%,相比常用的BPNN、GENN、O-V-O SVM和基于随机子空间方法的支持向量机故障诊断方法,能获得更高的故障诊断率。     

基于异类信息融合的模拟电路故障诊断方法

针对模拟电路故障诊断中存在的可测节点电压信息不足、单一信息不能表征所有故障状态等问题,提出了一种基于神经网络和D-S证据理论的模拟电路异类信息融合故障诊断方法.该方法首先提取两类故障信息并分别将其输入不同的神经网络对其进行初步诊断,并得到各自的诊断结果,然后根据初步诊断结果,运用D-S证据理论对其进行融合,做出最终决策.     

基于K-means Bayes和AdaBoost-SVM的故障分类

传统的故障分类方法大多假设不同类别的数据样本量是相似或相等的. 然而在实际的工业过程中采集到的数据多数是正常数据, 少部分是故障数据, 这就造成了数据的不平衡. 针对不平衡数据问题, 本文提出了一种K-means Bayes与AdaBoost-SVM相结合的故障分类方法, 通过设计两种独立的分类器, 并利用D-S证据理论对分类结果融合, 以弥补各自对某些类别分类能力较弱的缺陷. 实验证明, 本文提出的故障分类方法与单一Bayes或SVM比较, 具有更高的分类准确率.     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

支持向量机在模拟电路故障诊断中的应用

故障诊断发展的瓶颈之一是故障样本的缺乏，而不仅在于诊断方法本身。支持向量机是建立在结构风险最小原则基础上，专门针对小样本情况的，其目标是得到现在信息下的最优值而不仅仅是样本数趋于无穷大时的最优值。它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机的二值分类算法，以支持向量机二值分类为基础，构建了基于支持向量机的多值分类器并应用于模拟电路故障诊断。以两管视频放大器的多种故障分类为例，进行了实际应用验证。结果表明，该诊断方法具有算法简单、可对故障在线分类，有很好的分类能力和较高的计算效率，不需要对原始数据进行预处理就可达到满意的效果。     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。