支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

支持向量机在科研项目评审中的应用研究

科研项目评审是科研项目管理工作的重要内容之一.传统的评审方法已不能满足越来越多的科研项目评审工作需要.为了提高科研项目评审的效率,以基于统计学习理论的支持向量机为基础,重点分析支持向量机分类理论,提出二分类支持向量机算法的二叉树多级分类方法,并将该方法应用于科研项目评审.     

基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

支持向量机算法原理与应用

支持向量机是基于统计学习理论的一种模式识别方法，近年来以其优良的特性引起了研究者的广泛关注，已经成为一个十分活跃的研究领域。本文系统介绍了支持向量机的理论及应用方法，讨论了支持向量机中核函数的选择问题。然后对二类SVM实现算法和多类SVM实现算法进行分析，总结其性能与优缺点，最后指出SVM中待解决的一些同题和日后的研究方向。     

支持向量机分类与回归算法浅析

统计学习理论作为机器学习一个分支，由于其优异的特性及应用前景受到越来越多的关注。支持向量机（SVM）衍生于统计学习理论，能够在最小化训练误差和模型复杂度之间找到最佳平衡点，是一种比较经典的机器学习方法。由于秉承了统计学习理论的主要思想（如结构风险最小化、VC维），支持向量机可以在有限样本下得到全局最优，从而避免局部最优问题。     

深度稀疏最小二乘支持向量机故障诊断方法研究

提出一种结合多层结构和稀疏最小二乘支持向量机(Sparse Least Squares Support Vector Machine,SLSSVM)的机械故障诊断方法。该方法构建了多层支持向量机(Support Vector Machine,SVM)结构,首先在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"降维公式"生成样本新的表示,并作为隐藏层的输入,隐藏层支持向量机对新样本训练并提取信号的深层特征,逐层学习,最终在输出层输出诊断结果。针对因多层结构带来算法的复杂度以及运行时间增加的问题,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)技术,并将稀疏化理论与最小二乘支持向量机结合,通过构造特征空间近似最大线性无关向量组对样本进行稀疏表示并依此获得分类判别函数,有效解决了最小二乘支持向量机稀疏性缺乏的问题。最后,通过滚动轴承故障诊断实验验证了该方法的有效性。     

基于支持向量机方法的压电智能结构系统辨识

支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型机器学习方法,克服了传统机器学习方法在训练中的局部极小问题,过学习和欠学习等问题,具有很好的泛化能力.本文介绍了应用于回归分析的最小二乘支持向量机(LS-SVM)的基本理论,然后以随机激励下压电智能结构的响应数据作为训练样本集,采用LS-SVM方法辨识系统,仿真结果验证了这种方法的有效性.     

小样本数据的支持向量机回归模型参数及预测区间研究

支持向量机是由统计学习理论发展起来的机器学习算法,它从结构风险最小化的角度保证了模型的最大泛化能力.文中运用支持向量机进行小样本数据回归分析研究.首先利用推广性的界理论指导支持向量机回归模型参数的选取,以保证模型具有最大的推广能力;其次,运用基于正态分布和基于t分布的两种区间预测方法进行了预测值的区间估计;最后,利用模拟序列和真实的航空发动机油样光谱分析数据作为实验数据,建立了支持向量机回归分析模型,并与最小二乘法进行了比较.结果表明,所提出的支持向量机模型参数选取和区间估计方法适用于小样本数据的回归分析,具有较高的预测精度.     

一种新型回归支持向量机的学习算法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种具有很好泛化性能的回归方法,本文对标准支持向量机稍作改动,提出了一种新型回归支持向量机,并推导出它的对偶表达方式,随后利用一个优化定理设计了一个多变量更新学习算法,该算法能单调收敛于极值点,并具有简单的迭代方式,仿真实例说明所提出的回归支持向量机及其训练算法具有较好的学习性能.     

蚁群支持向量机在内燃机故障诊断中的应用研究

针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的蚁群优化技术应用到支持向量机惩罚函数和核函数参数的优化,提出了蚁群优化支持向量机方法。根据内燃机气门振动信号实测数据,建立了基于蚁群优化支持向量机的内燃机气门间隙故障诊断模型,并与基于遗传支持向量机和反向传播神经网络算法的模型比较。结果表明：应用蚁群优化支持向量机建立的内燃机气门间隙故障诊断模型无论从学习效率还是故障识别准确性上都优于应用另外两种算法建立的模型,能够有效地进行内燃机的故障诊断。     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习（Simple MKL）来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型.考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化.以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比.研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度.     

基于模糊聚类和模糊支持向量机的湿法炼锌净化除钴过程建模

提出了一种基于模糊C-均值(FCM)聚类和模糊支持向量机(SVM)方法相结合的湿法炼锌净化除钴过程建模方法。该方法针对样本空间影响支持向量机泛化性能和样本数量影响计算复杂度的问题,首先采用模糊聚类将学习样本分类,然后在各个类的样本空间内采用模糊支持向量机进行训练,并对各支持向量机模型的输出加权作为过程模型的输出。以净化除钴过程生产数据进行实验验证的结果表明,该方法明显减少了模型的训练时间,模型具有精度高、泛化性能好等特点,可以用于净化过程的优化控制。     

基于小波包和进化支持向量机的齿轮早期诊断研究

针对齿轮早期故障的特征不明显，提出了一种基于小波包和进化支持向量机的齿轮故障诊断方法，该方法既充分利用了小波包优良的时频局部化特性，又利用了支持向量机在小样本情况下出色的学习性能和良好的推广特性，以及遗传算法的全局优化能力。在齿轮试验台上的应用结果表明，经过特征提取和参数优化后，提高了支持向量机的分类能力。     

基于不变性常识的支持向量分类机

不变性常识(Invariance)与支持向量机(Support Vector Machine,SVM)的融合技术是近年来支持向量机研究的重点之一,将不变性常识融合于学习模型,有助于提高模型的泛化能力。探讨不变性支持向量机(InvarianceSVM)的形式化描述、目前发展状况及不变性常识与SVM融合的主要技术,并分析各方法的优缺点。     

基于支持向量机的网络风险评估方法的研究

统计学习理论(Statistical Learning Theory,SLT)是一种专门研究小样本情况下机器学习规律的理论,作为统计学习理论的VC维理论和结构风险最小化(Structure Risk Minimization,SRM)原则的具体实现算法支持向量机(support vector machinse,SVM),集优化、核(Kernel)、最佳推广能力等特点于一身,其出色的学习能力被广泛的关注并在各个领域广泛应用,系统介绍基于支持向量机的网络安全风险评估,给出其可行性、优越性及SVM评估模型,最后提出该研究发展方向与前景的预见。     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.