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。     

基于改进的二叉树SVM模拟电路故障诊断方法

分类器一直是模拟电路故障诊断研究中比较重要的一环,大多数的分类器都是二分类分类器.传统的SVM分类结构是一对一和一对多,但当分类的种类较多时,一对一需要构建多个分类器,而一对多结构要重复训练样本,任务量大,花费时间较多,并且这两种方法存在不可分区域.本文提出基于二叉树结构的SVM分类算法用于模拟电路的故障识别,二叉树结构的SVM分类原则是将最容易识别的故障先识别出来,再识别其他的类.本文先将各个类与其他类的相似方向计算出来,再构建二叉树SVM分类器,并使用遗传优化算法寻找最优参数,达到最优效果.     

基于WPA-SVM的多分类故障混合诊断模型

针对目前机械故障诊断中难以进行特征提取和常规SVM算法诊断多类分类问题时存在困难等问题,提出了结合了WPA理论和基于二叉树的多级SVM分类器的WPA-SVM多分类故障混合诊断模型。采用小波包分析对机械信号提取频域能量特征向量,通过训练多个依赖故障优先级的基于二叉树的多级SVM分类器中,找到样本中的支持向量,并以此决定超平面。然后根据最优分类平面,对测试集的样本进行故障诊断。通过对两种不同特征提取方法、三种不同SVM识别策略的实验比较结果可知,该方法是有效的。     

基于SVM—KNN的文本分类算法及其分析

通过实验对SVM、KNN文本分类算法进行了深入探讨。基于KNN和SVM算法,提出了一种SVM．KNN算法。该算法结合KNN和SVM两种分类器,并通过分类预测概率的反馈和修正来提高分类器性能。在CWT100G中文网页分类测试系统中,对SVM．KNN算法的实际效果进行了测试和算法性能验证。     

基于损失最小化的SVM多类网页分类算法

本文提出一种基于损失最小化的SVM多类网页分类算法,该算法在多类的网页分类问题上将基于损失最小化的SVM分类算法和KNN相结合,在选择分类器顺序的问题上采用剩余样本最小错误率方法。实验表明该方法简单有效,较大地提高了SVM分类算法的准确性。     

基于支持矢量机和决策树的多值分类器

基于SVM理论的分类器已经发展为一种通用的二值分类器,但它不适用于多值的场合。该文在分析经典的SVM分类算法和决策树分类算法的基础上,采用了将SVM和二叉决策树结合的方法来实现多类问题的分类,实验表明它与一对一的多值分类器具有相似的分类精度,并比一对一的分类算法具有快的测试速度。     

一个中文文本自动分类器的设计

Boosting算法是目前流行的一种机器学习算法。采用Boosting家族的Adaboost．MH算法作为分类算法,设计了一个中文文本自动分类器,并给出了评估方法和结果。评价表明,该分类器和SVM的分类精度相当,而较基于其他分类算法的分类器有更好的分类精度。     

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。     

基于SVM 的二叉树多类分类算法及其在故障诊断中的应用

基于结构风险最小化原则的支持向量机(SVM)对小样本决策具有较好的学习推广性。但由于常规SVM算法是从2类分类问题推导出的，在解决故障诊断这种典型的多类分类问题时存在因雄，因而提出一种依赖故障优先级的基于SVM的二叉树多级分类器实现(2PTMC)方法，该方法具有简单、直观，重复训练样本少的优点。通过将其应用于柴油机振动信号的故障诊断，获得了令人满意的效果。     

SVMDT分类器及其在文本分类中的应用研究

基于SVM(Support Vectort Machine)理论的分类器已经发展为一种通用的二值分类器，但它不量要于多值的场合。在分析经典的SVM分类算法和决策树分类算法的基础上，提出了将SVM和二叉决等掣结合的方法来实现多值分类器(SVMDT)，并将其应用于文本分类，实验表明在分类精度和速度上具有良好的性能。     

基于AdaBoost与GABP的模拟电路软故障诊断方法

针对容差模拟电路软故障诊断精度较低的问题,提出了一种基于AdaBoost与GABP的组合分类器诊断方法;首先,在Pspice中对故障模式进行Monte-Carlo分析,并利用波形有效点提取法提取故障特征,在此基础上,做归一化处理构建神经网络的原始样本;其次,利用GA算法与L-M算法组合优化BP网络构建GABP分类器;最后,利用AdaBoost算法对GABP单分类器进行迭代提升,构建AdaBoost-GABP组合分类器;诊断实例的结果表明,该方法比传统的单分类器诊断方法具有更高的诊断精度、更低的绝对误差,能够克服单分类器容易陷入局部最优,诊断结论不可信的缺陷。     

协同训练算法在滚动轴承故障诊断中的应用

针对单个分类器方法在滚动轴承故障诊断中精度较低、故障样本标记稀缺、特征空间维度高等问题，提出一种将协同训练与集成学习相结合的Co-Forest轴承故障诊断算法。Co-Forest是半监督学习中的协同训练算法，包含多个基分类器，通过投票实现协同训练中的置信度估算。从滚动轴承的振动信号中提取时域、频域特征指标。利用少量带标签和大量未标记样本重复地训练基分类器。集成基分类器，实现对滚动轴承故障的诊断。实验结果表明，与同类型的协同训练算法（Co-Training、Tri-Training）相比，Co-Forest算法在轴承故障诊断中具有更高的正确率，与当前针对特征向量高维、标记样本稀缺问题的ISS-LPP算法，SS-LLTSA算法相比，Co-Forest算法在保持很高诊断正确率的情况下，不需要降维、参数设置简单，具有一定的实际应用价值。     

Online classifier adaptation for cost-sensitive learning

In this paper, we propose the problem of online cost-sensitive classifier adaptation and the first algorithm to solve it. We assume that we have a base classifier for a cost-sensitive classification problem, but it is trained with respect to a cost setting different to the desired one. Moreover, we also have some training data samples streaming to the algorithm one by one. The problem is to adapt the given base classifier to the desired cost setting using the steaming training samples online. To solve this problem, we propose to learn a new classifier by adding an adaptation function to the base classifier, and update the adaptation function parameter according to the streaming data samples. Given an input data sample and the cost of misclassifying it, we update the adaptation function parameter by minimizing cost-weighted hinge loss and respecting previous learned parameter simultaneously. The proposed algorithm is compared to both online and off-line cost-sensitive algorithms on two cost-sensitive classification problems, and the experiments show that it not only outperforms them on classification performances, but also requires significantly less running time.

     

基于混沌遗传算法的SVM特征和参数优化

为解决支持向量机(SVM)分类器的样本特征选择和参数优化问题,提出一种将特征选择和参数选择进行联合优化的方法。基于变尺度的混沌遗传算法,联合优化染色体编、译码,利用混沌的遍历性产生初始种群,改进遗传算法中的交叉算子,动态缩减寻优区间。将该方法应用于短波通信控制器的诊断分类器中,以实现分类器特征子集选取和参数的联合优化,结果表明该方法具有较强的寻优能力。     

一种新的软间隔支持向量机分类算法

软间隔支持向量机（SVM）分类算法是目前最具有代表性的模式分类算法之一,它在应用中的一个主要困难是确定控制参数C.提出一种新的软间隔SVM分类算法,通过松弛变量改变约束条件,允许数据点进入分离区域但不越过分类超平面,从而避免了参数C的确定问题.计算机实验和故障诊断实例表明,基于新算法的SVM分类器有较高的分类准确性和较好的泛化性能,能够实际应用于模式分类.     

联合选择特征和分类器参数模型的模拟电路故障诊断

为了提高模拟电路故障诊断准确率,提出一种联合选择特征选和分类器参数模型的模拟电路故障诊断方法（Feature-Classifier）。将模拟电路故障特征子集和分类器参数编码成为粒子,然后粒子根据目标函数通过信息交流和互相协作找到最优特征子集和分类器参数,并根据最优特征子集对样本进行约简;分类器根据最优参数对约简后样本进行训练建立模拟电路故障诊断模型,并通过仿真实例对性能进行测试。结果表明,相对于其他模拟电路故障诊断方法,Feature-Classifier能够较快找到最优特征子集与分类器参数,不仅提高了模拟电路故障诊断准确率,并加快了故障诊断速度。     

基于免疫优势克隆文化算法的故障诊断方法及其在TE过程中的应用

免疫优势克隆选择算法是一种新型的免疫算法,具有较强的局部和全局搜索能力.将其与文化算法结合,提出一种新型的免疫优势克隆文化算法,它可以更好地利用先验知识指导种群进化;并设计了新的动态接受函数来促进文化算法内部知识更新,提高算法的搜索能力.将该算法用于支持向量分类器的核参数优化中,构造性能良好的分类器,并将其用于Wine dataset的数据分类和化工TE过程的故障诊断中,实验结果表明,该算法能够准确地对SVM的核函数参数进行寻优,提高了故障诊断的准确性,具有应用推广价值.     

基于改进径向基神经网络的船舶设备故障诊断方法

For the ships equipment fault diagnosis problems with lack of applicability and accuracy during ships sailing, this paper designs a radical basis function neural network method for ships equipment fault diagnosis. An improved artificial bee colony (IABC) algorithm combining opposite learning initialization strategy and auto-adapted search strategy is designed, which builds higher quality initial solution space through opposite learning initialization strategy and adapts its local search length automatically to improve the ability of convergence and local optimization searching. IABC algorithm is used in parameter optimization of radical basis function neural network (RBFNN) for constructing a better performed classifier. The results show that the IABC-RBFNN framework can improve the accuracy and usability of ship fault diagnosis, and satisfy the real-time requirement of ships equipment fault diagnosis.     

Model‐based fault detection and isolation method using ART2 neural network

This article presents a model‐based fault diagnosis method to detect and isolate faults in the robot arm control system. The proposed algorithm is composed functionally of three main parts: parameter estimation, fault detection, and isolation. When a change in the system occurs, the errors between the system output and the estimated output cross a predetermined threshold, and once a fault in the system is detected, the estimated parameters are transferred to the fault classifier by the adaptive resonance theory 2 neural network (ART2 NN) with uneven vigilance parameters for fault isolation. The simulation results show the effectiveness of the proposed ART2 NN–based fault diagnosis method. © 2003 Wiley Periodicals, Inc.     

一种基于Bernoulli混合模型的不完整数据文本分类方法

在Bernoulli混合模型和期望最大化(EM)算法的基础上给出了一种基于不完整数据的改进方法。首先在已标记数据的基础上通过Bernoulli混合模型和朴素贝叶斯算法得到似然函数参数估计初始值， 然后利用含有权值的EM算法对分类器的先验概率模型进行参数估计，得到最终的分类器。实验结果表明，该方法在准确率和查全率方面要优于朴素贝叶斯文本分类。