首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 546 毫秒

1.  用SVM和LS-SVM分析变压器故障诊断  
   张哲  朱永利《微型机与应用》,2009年第28卷第8期
   介绍并比较了支持向量机分类器和最小二乘支持向量机分类器的算法,提出了基于支持向量机的二叉树多分类变压器故障诊断模型.将标准支持向量机(C-SVM)分类器和最小二乘支持向量机(LS-SVM)分类器分别用于变压器故障诊断,通过网格搜索和交叉验证法取得支持向量机的参数,准确率较高.试验结果表明,支持向量机和最小二乘支持向量机在变压器故障诊断中具有很大的应用潜力.    

2.  最小二乘支持向量机在医疗数据分析中的应用  
   钟萍  岑涌  席斌《计算机与数字工程》,2007年第35卷第9期
   以医疗数据为应用对象,应用网格搜索和交叉验证的方法选择参数,建立最小二乘支持向量机分类器,进行实际验证,并与使用K近邻分类器(K-NN)和C4.5决策树两种方法的结果进行比较.结果表明,LS-SVM分类器取得较高的准确率,表明最小二乘支持向量机在医疗诊断研究中具有很大的应用潜力.    

3.  基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究  
   苏成功  陆斌  顾文龙《煤矿机械》,2011年第32卷第5期
   采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。    

4.  基于贝叶斯推断LSSVM的滚动轴承故障诊断  被引次数:7
   杨正友  彭涛  李健宝  钟云飞《电子测量与仪器学报》,2010年第24卷第5期
   针对传统最小二乘支持向量机分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法通过三级分层推断优化确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率.将基于贝叶斯推断最小二乘支持向量机分类方法应用于滚动轴承故障诊断中,实验仿真结果表明该方法能有效地识别滚动轴承的故障,且训练时间和测试时间均小于传统最小二乘支持向量机方法。    

5.  自动文本分类技术研究  
   祝晓鲁  白振兴  贾海燕《现代电子技术》,2007年第30卷第3期
   随着万维网的发展,文本分类成为处理和组织大量文档数据的关键技术。在阐述了文本分类算法的研究现状,分析了朴素贝叶斯(Na ve Bayes)、kNN和支持向量机(SVM)经典文本分类算法之后,提出了应用最小二乘支持向量机(LSSVM)算法来实现文本分类。对使用用最小二乘支持向量机和一般支持向量机的文本分类结果进行了比较,并得出了结论:使用最小二乘支持向量机进行文本分类缩短了文本分类的时间,并保证了一定的召回率和准确率。    

6.  基于OWPB和LS-SVM的电路板故障诊断系统  
   涂望明  陈运涛  魏友国《电子技术应用》,2012年第7期
   针对雷达电路板检修困难的问题,提出了基于最优小波包基和最小二乘支持向量机相结合的雷达电路板故障诊断方法。利用小波变换对采样数据进行去噪处理,通过小波包分解选择最优小波包基提取熵值作为故障特征向量,并作为基于最小二乘支持向量机的雷达故障诊断模型的输入向量,经诊断模型输出后,完成雷达电路板故障诊断。基于此方法设计了雷达电路板故障诊断系统,提高了雷达故障诊断的正确性和效率。    

7.  用于回归的临近支持向量机  被引次数:1
   杜喆  胡廷锋  刘三阳《计算机科学》,2009年第36卷第1期
   将临近支持向量分类杌应用在回归问题上,提出临近支持向量回归机,给出线性与非线性情况下的回归函数,该方法比支持向量回归机(svR)问题减少了参数和一半变量,比最小二乘支持向量回归机(LSSVMR)求解公式更加简单,且核函数不需要满足Mercer条件.数值实验结果表明,与SVR和LSSVMR相比,该方法的学习速度更快,且泛化能力较之不相上下.    

8.  基于小波包分析和支持向量机的异步电机转子断条故障诊断  
   王旭红  何怡刚《微特电机》,2010年第38卷第5期
   提出了一种基于小波包分析(WPA)和支持向量机(SVM)的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量(1±2s)f进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用多个最小二乘支持向量机组成故障分类器,兼顾了训练误差和计算效率,将故障特征向量输入支持向量机进行训练,从而实现在小样本情况下转子断条故障的在线识别.试验结果表明:基于小波包分析提取的故障特征明显,由WPA和SVM构成的诊断系统,具有良好的分类能力和泛化能力,有效提高了异步电机转子断条故障在线诊断的准确率.    

9.  基于LS-SVM多分类器融合决策的混合故障诊断算法  被引次数:1
   李鑫滨  陈云强  张淑清《振动与冲击》,2013年第32卷第19期
   故障诊断的关键是特征向量提取和分类器的选择, 提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法. 多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition, EEMD)和改进小波能熵方法, 得到三组不同的故障特征信息; 将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)组成的分类器组进行初步诊断; 采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates, SWDT)进行多分类器诊断结果的融合决策. 实验证明, 该方法能实现轴承不同故障类型, 尤其是复合故障的可靠识别, 验证了该算法提取轴承故障特征信息的完备性, 以及分类器组融合决策的可靠性.    

10.  基于优化支持向量机的飞机重着陆智能诊断  
   许桂梅  黄圣国《计算机测量与控制》,2011年第19卷第2期
   为提高飞机重着陆判断的准确性,研究了将最小二乘支持向量机应用于飞机重着陆诊断的方法;首先,根据飞机着陆阶段运动方程确定5类关键的重着陆诊断指标,将传统的单一指标诊断扩展到多指标诊断;接着,对支持向量机的分类算法进行扩展,实现了支持向量机的多类分类,建立了飞机重着陆诊断模型;然后,分别利用遗传算法和粒子群算法优化了模型参数,并对优化结果进行了分析比较;最后,利用飞行品质监控数据库中的样本数据对某航空公司B737型飞机进行了重着陆诊断实验,结果表明;支持向量机模型具有较高的诊断精度,适用于飞机重着陆诊断.    

11.  基于改进支持向量机方法的汽轮机故障诊断研究  被引次数:1
   张鸿雁《煤矿机械》,2008年第29卷第7期
   针对汽轮机故障诊断问题,在分析比较支持向量机"一对多"和"一对一"多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器,将其应用于典型的汽轮机故障诊断,仿真实验结果证明了该方法的有效性。    

12.  一种改进的支持向量机及其在癌症诊断中的应用  
   王晶  卫金茂《计算机应用》,2006年第26卷第2期
   为了改善支持向量机的泛化能力,提出了一种改进的支持向量机——SUB SVM,它把对所有训练数据训练得到的主支持向量再次训练,用得到的次支持向量构造SVM非线性分类器,将该算法应用在癌症诊断中,取得了比传统SVM分类器更高的识别率。    

13.  最小二乘支持向量机在睡眠打鼾诊断中的应用  被引次数:1
   张晓丹  邵帅  刘钦圣《计算机工程与应用》,2008年第44卷第5期
   支持向量机是数据挖掘和机器学习领域中的重要方法之一,最小二乘支持向量机是支持向量机学习算法的重要扩展,在训练速度方面有明显优势。对支持向量机现有的多类分类算法(一对一方法、一对多方法、纠错输出编码方法和最小输出编码方法)引入了最小二乘支持向量机,并应用于睡眠打鼾疾病的诊断预测中,取得了较好的效果。    

14.  基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模  被引次数:3
   李炜  石连生  梁成龙《仪器仪表学报》,2009年第30卷第2期
   针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.    

15.  基于最小二乘支持向量机的机车轴承故障诊断  被引次数:1
   雷烨  姜子运《电气传动自动化》,2009年第31卷第6期
   针对神经网络故障诊断存在的诸多问题,提出了基于最小二乘支持向量机的机车轴承故障诊断方法。采用最小二乘支持向量机方法建立多类故障分类器,对输入的特征向量信息进行分类,完成故障诊断功能。仿真证明了最小二乘支持向量机在小样本情况下比神经网络具有更强的泛化能力,用于故障诊断时在识别准确率和抗干扰能力方面有明显的优势。    

16.  基于NMF-SVM的复杂化工过程故障诊断  
   陈霖  邹金慧《计算机与应用化学》,2014年第8期
   针对复杂化工过程中存在故障数据维数大与识别率低的问题,提出了1种非负矩阵分解与支持向量机相结合的故障诊断方法。该方法首先对原始特征数据进行非负矩阵分解,得到基向量矩阵与系数矩阵,用基向量矩阵作为输入训练SVM分类器,针对NMF结果的不稳定性,采用PCA模型确定NMF的初始值;然后通过系数矩阵构造超定线性方程组,并将其最小二乘解作为样本特征矩阵输入分类器进行故障类型的识别。通过对Tennessee Eastman(TE)过程数据的仿真研究,实验结果验证了该方法的有效性。    

17.  基于支持向量机的故障诊断  
   费娜《工业控制计算机》,2010年第23卷第12期
   将支持向量机应用于故障的分类诊断,通过实例建立了两类故障分类器和多故障分类器,给出了具体的建立多故障分类器的步骤和仿真结果。最后提出了一种新的方法——基于支持向量机的并行诊断网络。    

18.  基于提升小波和递推LSSVM的实时故障诊断方法  被引次数:1
   杨青  田枫  王大志  吴东升  王安娜《仪器仪表学报》,2011年第32卷第3期
   提出了一种基于提升小波(LW)与递推最小二乘支持向量机(RISSVM)相集合的实时故障诊断方法(LW-RLSSVM).该方法首先通过提升小波变换对数据实时去噪,再通过实时算法训练最小二乘支持向量机分类器.由于采用了递推算法,节省了存储空间和运算时间,同时增加了诊断模型的适应性.为验证所提方法的有效性,将LW-RLSSVM应用于TE过程和青霉素发酵过程.实验结果表明,LW-RLSSVM集合方法能有效实现实时故障诊断,在诊断速度和适应性方面,优于基于第一代小波与LSSVM相集合(W-LSSVM)的故障诊断方法;在诊断精度等方面,该方法优于LSSVM、RLSSVM等方法.    

19.  单类支持向量机的研究进展  
   尹传环  牟少敏  田盛丰  黄厚宽《计算机工程与应用》,2012年第48卷第12期
   单类支持向量机是一种用途广泛的分类器,它能够应用于负类样本难以收集的领域中,如入侵检测、故障检测与诊断和遥感数据分类等领域。因此无论在理论研究还是实际应用方面,单类支持向量机受到越来越多的关注。回顾单类支持向量机的两种主要方法,阐述各种关于单类支持向量机的改进,包括使用未标号数据、选择样本点以及修改优化目标。对单类支持向量机做了总结。    

20.  最小二乘支持向量机的两点改进  
   王立国  赵亮  石瑶  路婷婷《哈尔滨工程大学学报》,2015年第6期
   最小二乘支持向量机以其较好的性能得到了广泛应用,但仍存在2点不足:一方面,最小二乘支持向量机将所有训练样本都作为支持向量参与未知样本的分类,导致该算法在泛化过程中处理速度较慢;另一方面,最小二乘支持向量机主要利用光谱数据进行训练和分类,忽略了对地物空间信息的挖掘,影响了分类精度。为此,提出一种基于库伦引力模型的样本缩减策略,在此基础上将分类结果与基于空间信息的分类器相融合,由此产生的新分类器可以有效解决以上两方面的问题。实验表明了新分类模型在分类精度与速度方面的优势。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号