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。     

基于支持向量机的信息融合模拟电路故障诊断方法研究

为提高模拟电路故障诊断效率,克服依据单一信息进行诊断的不足,提出了一种支持向量机信息融合的模拟电路故障诊断方法;首先构建了基于支持向量机的信息融合诊断模型,其次给出了基于小波包变换的能量特征提取和基于主元分析特征压缩方法,分析了支持向量机一对一多分类方法,最后通过模拟电路的仿真实验,与未进行信息融合,以及BP、RBF和PNN等神经网络对比,结果显示,基于支持向量机信息融合方法的诊断精度最高,约为97.3%。     

基于GA-SVM的数模混合电路故障诊断研究

针对数/模混合电路的故障诊断,将遗传算法与最小二乘支持向量机相结合,提出一种二值分类故障诊断方法,在保证故障诊断的准确率和可靠性的基础上,实现多类故障的快速诊断。采用遗传算法优化支持向量机的结构参数和核函数参数,建立基于支持向量机的故障分类模型;提出适用于数/模混合电路的故障诊断的二值分类策略;在Pspice环境下进行仿真验证,实验结果表明,该方法有效提高了的故障诊断的精度和效率,在类别较多故障模式中具有明显的优势和实用价值。     

基于小波包能量谱和M-ary SVM的功率变换器故障诊断

针对功率变换器的故障诊断问题,提出一种基于小波包能量谱和M-ary支持向量机的故障诊断方法。首先,通过小波包分解得到故障信号能量谱特征向量,并结合傅里叶变换分析故障信号主要频率特征点,实现故障特征向量的降维;然后,基于M-ary支持向量机的分类模型诊断出功率变换器多故障模式。实验结果表明,相比于传统的BP神经网络和一对一支持向量机故障诊断方法,本文方法诊断精度高,需要的子分类器数目少,诊断速度快,适用于在线故障诊断。      

电路故障个体化诊断仿真研究

研究电路故障诊断,保证系统的安全和效率,由于常见的机器学习电路故障诊断方法,公共的训练集进行训练建模,导致其准确性过低,为提高其预测准确性,利用支持向量机与高维地统计学结合提出了一种电路故障个体化诊断方法。首先通过小波包变换实现信号的能量特征提取;再以高维地统计学确定公用变程;每个待测试样本都以自身为中心,根据公用变程从训练集中选取K个近邻作为训练正样本;最后支持向量机完成个体化诊断并进行仿真。仿真实验表明,支持向量机个体诊断能有效减少训练模型数量,并且电路故障诊断精度达98.55%,远高于其它算法。     

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。     

基于小波包Tsallis熵和RVM的模拟电路故障诊断

针对模拟电路故障难以识别等问题,提出一种基于小波包Tallis熵和多分类相关向量机(Rele-vance Vector Machine,RVM)的模拟电路故障诊断方法.该方法采用脉冲信号仿真模拟电路,应用小波包变换对采集到的故障响应信号进行分解,通过提取不同频带内的Tsallis熵作为故障特征值,利用相关向量机对各种状态下的特征向量进行分类决策,实现模拟电路的故障定位.实验结果表明,提出的故障诊断方法相较于现有的故障诊断方法能较好地提取故障特征,极大地提高模拟电路故障诊断的效率.     

基于能量熵对SVM的电路故障诊断

研究电路故障诊断问题,提高诊断效率.由于电路集成度提高,电路信号与故障相关,针对传统故障诊断因采用线性诊断方法与提取的电路特征信息不全面,导致诊断定位精度不高,为有效提高电路故障诊断的速度与精度,提出了一种根据小波包能量熵的支持向量机电路故障诊断方法(EE-SVM).首先利用小波包对电路故障信号进行3层的小波包分解,并提取小波包能最熵,构建输入特征向量.对于支持向量机进行非线性特征向量汰选,去除冗余特征,以保留特征向量构建智能化诊断模型.进行实例仿真,结果显示,方法在所有参比模型中精度最高,能高效地对电路故障进行检测与定位.     

一种基于核密度估计的模拟电路故障诊断方法

为解决模拟电路中含有噪声等异常信息给支持向量机的最优分类面建立带来的困难,提出了一种基于核密度估计方法的模拟电路故障诊断新方法。首先提取电路的时域信号统计参数作为故障特征,然后运用核密度估计方法构造模糊隶属度函数,将该隶属度函数应用到模糊支持向量机上进行故障诊断。通过训练模糊支持向量机获得故障诊断模型,实现对电路单故障和多故障的诊断分类,能有效消除特征中噪声和野点的影响。将该方法应用于CSTV滤波电路进行仿真实验,结果表明该方法能突出不同故障的特性并正确有效地诊断出多故障类型,综合诊断正确率达到95%,为模拟电路故障诊断提供了新的技术途径。     

基于LDA和小波分解的肺音特征提取方法

针对用小波分解提取肺音特征后特征向量维数较高的问题,提出了一种结合线性判别分析和小波分解的肺音特征提取方法。在该方法中,首先对肺音信号进行小波分解,然后将小波分解得到的小波系数转化成小波能量特征向量,接着使用线性判别分析法对该特征向量进行降维处理,得到新的低维特征向量,最后用SVM对低维特征进行识别。在实验中,选取了三种肺音信号：正常肺音、爆裂音、哮鸣音,用所提出的方法将8维的小波能量特征降为2维特征,在2维特征上进行了分类识别,并和降维之前的结果进行了比较,实验结果表明利用线性判别分析对小波能量特征降维后极大地提高了识别精度。同时,和其他几种典型的肺音特征提取方法进行了比较,实验结果表明结合线性判别分析与小波分解的特征提取方法得到了更高的识别精度。     

基于小波包与支持向量机的碰摩故障识别方法研究

为了很好地识别旋转机械的转静件碰摩故障,提出了基于小波包和支持向量机(SVM,support vector machine)的碰摩故障识别方法.采用小波包对信号进行特征向量的提取,利用基于"一对多"和"一对一"的改进算法构建多类故障分类器,对多种碰摩故障进行识别.同时,以双盘悬臂转子-轴承系统的碰摩故障为例,应用该方法进行故障识别,试验结果表明,RBF核SVM故障平均识别率达到97.25%.可见,基于小波包与支持向量机分类器诊断方法的识别率明显优于传统的BP神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于连续小波和支持向量机分类音乐类型

音乐类型分类主要包括两个阶段：特征提取和分类。文中在研究小波变换理论基础上,采用连续小波分析方法提取音乐特征参数。支持向量机是专门针对有限样本情况下的一种分类方法。它是建立在统计学习理论的VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。采用指数径向基函数（脚）内核,分类正确率可达85％,比传统的混合高斯模型和K近邻分类器,分类性能分别提高了21％和23％。实验结果表明,采用小波和支持向量机方法是一种相当有效的音乐类型分类方法。     

基于小波包变换和支持向量机的虹膜识别方法

提出了一种基于小波包变换和支持向量机的虹膜识别方法.用小波包变换对归一化的虹膜图像进行2层分解,并计算出每个子频带的能量;通过选择具有最大能量值的特征作为小波基特征,以减少进入支持向量机的样本数目和提高识别准确率;最后,用支持向量机对虹膜特征进行模式匹配.实验结果表明,该方法取得了较好的识别效果.     

基于小波包和支持向量机的人脸识别

提出了用小波包变换、聚类分析和缩放支持向量机进行人脸识别的方法。首先，用小波包对图象进行2层分解，提取每个子频带的能量组成向量为该图象的特征；其次，对待识别图象进行聚类分析，以减少进入支持向量机的样本数；然后，在特征向量输入支持向量机之前先进行缩放处理，以减少运算量和提高识别准确率；最后，用支持向量集合距离度量进行人脸识别。实验表明：采用本文的方法，识别的正确率可达98％。     

融合小波与2DPCA的SVM人脸识别

近年来,人脸识别由于其诱人的应用前景再次成为模式识别领域的研究热点。分析了小波变换、2DPCA以及SVM 3种方法在人脸识别中各自的优势,提出了融合小波和2DPCA进行SVM人脸识别的方法。首先对原始图像采用小波分解提取低频信息,忽略高频分量;然后利用2DPCA进行特征提取;最后把降维后的数据输入SVM进行分类识别。该方法在ORL、Yale人脸库上的实验表明,与传统的方法相比,不但可以提高识别率,而且所用时间明显减少。     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

基于小波和支持向量机的光纤微振动传感器模式识别

为实现对双M-Z型光纤传感器的振动信号进行识别,提出一种基于小波能熵和支持向量机(SVM)的光纤传感信号模式识别方法。该方法对小波分解得到的各频段系数求解其能量信息熵,归一化后得到特征向量。其作为SVM的输入,通过选用合适的核函数和多类的分类方法,对SVM多类分类器进行建模。在多种振动信号的条件下,用测试样本对SVM分类器模型进行测试,测试结果表明:该方法对双M-Z型光纤微振动传感器的振动信号的分类达到了较高的识别率。