采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要.对于疾病诊断,分类器的性能直接影响到最终结果的准确性.本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM).实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM).实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能.实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集.     

基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

小波支持向量机多分类器在轴承性能退化评估中的应用

为了准确地对轴承性能退化过程数据进行评估,将Mexican hat小波函数引入支持向量机多分类器中,提出一种小波支持向量机多分类器.并基于平移不变核函数条件,给出该小波函数为容许核函数的证明.根据"一对多"算法建立支持向量机多分类器.通过对内圈故障和滚动体故障的轴承性能恶化过程中数据的分析,表明小波支持向量机具有比BP(back propagation)神经网络、RBF(radial basis function)核函数支持向量机更高的分类正确率.     

基于支持向量机的铁谱磨粒模式识别

将支持向量机方法用于铁谱磨粒模式识别，以磨粒样本的圆形度、细长度、散射度和凹度4个形态特征量作为支持向量机分类器的输入，以滑动磨损、切削磨损、正常磨损和疲劳点蚀4种磨损形式作为分类器的输出，建立基于支持向量机的磨粒分类器；研究支持向量机中误差惩罚系数和核参数对磨粒分类器的性能影响；通过实验比较了基于支持向量机与基于BP神经网络的磨粒分类器的性能，结果表明，基于支持向量机的磨粒分类器分类准确率为96％，基于BP神经网络的磨粒分类器分类准确率为90％。     

基于KPCA和PSOSVM的异步电机故障诊断

针对异步电机故障振动信号具有较强的非线性特征,而传统的线性分析方法易造成振动信号非线性成分的丢失这一情况,提出一种核主元分析和粒子群支持向量机相结合的异步电机故障诊断方法。利用核函数实现输入空间到高维特征空间的非线性映射以及对映射数据的主元分析,得到原始样本的非线性主元,实现特征提取和数据压缩,将获得的核主元特征通过支持向量机进行模式识别。采用距离比值法和粒子群算法分别对核主元分析和支持向量机的参数进行双重优化选择。实验结果表明,该方法能有效提取故障信号的非线性特征,具有较强的非线性模式识别能力,相比主元分析和支持向量机方法,分类效果更好,实时性更强,可快速有效实现异步电机故障诊断。     

基于支持向量分类的水质分析应用研究

支持向量机(SVM)是由V.Vapnik在统计学习理论(SLT)的基础上发展起来的一种新兴的用以解决小样本的机器学习方法.SVM能更好的代替传统分类器,特别是在高维数据空间具有较好的泛化能力.本文采用支持向量分类(SVC)方法研究了这一理论在工程领域的应用-济南地下水水质的分析.实验获得了较好的分类结果.SVC在小样本下的地下水水质分析中展示了良好的模式识别性能.     

基于支持向量机的计算机蠕虫病毒检测方法

为防止计算机蠕虫病毒造成的巨大破坏,以计算机性能参数作为原始数据训练集,利用支持向量机分类器进行数据挖掘,建立了网络蠕虫病毒检测模型,在蠕虫大规模侵染网络之前发起网络预警,减小了蠕虫爆发引起的损失.在模拟计算机的常用网络结构下,通过采样主机不同工作状态下的系统特征计数器形成训练数据集,在进行特征提取后,利用支持向量机分类器实现了判决规则的产生和分类决策,并在模拟搭建的局域网络上进行了验证测试.测试结果表明,检测模型对未知网络蠕虫有很高的判决准确率,说明了基于支持向量机(SVM)分类算法的检测方法适合小样本的分类判决,并有着很强的实用性.     

基于混合核函数支持向量机的齿轮诊断方法研究

支持向量机是一种基于统计学习理论的新型机器学习方法,它具有在训练样本很少的情况下达到很好的分类效果的优点.把支持向量机技术应用于齿轮故障诊断,通过预先使用局部、全局核函数支持向量机的分类结果适当选取各自在混合函数中的权重,来作为混合核函数进行支持向量机分类.实验和数据分析证明,使用混合核的支持向量机比单独使用全局或局部...     

基于KPCA和SVM的电梯故障诊断系统

针对电梯故障的非线性特性及故障特征不明显,传统方法分析后留下的显著成分不能反映这种非线性属性等问题,提出了核主元分析(KPCA)和支持向量机(SVM)相结合的故障诊断方法。利用KPCA在高维空间具有较强的特征选择能力和支持向量机具有较强的辨识率的特点,通过核主元分析法提取电梯故障特征,以达到降维作用,再利用支持向量机分类模型进行故障辨识。实验证明用此方法进行电梯的故障诊断具有更快更好的诊断效果。     

基于SVM的火焰图像特征融合算法研究

研究了支持向量机(SVM)的相关理论,并采集实验视频,在Matlab中进行了基于SVM的火焰图像特征融合算法仿真,结果表明,SVM分类器比贝叶斯分类器有更好的分类效果。     

用于滚动轴承故障检测与分类的支持向量机方法

介绍了支持向量机原理与算法，给出了基于支持向量机多类故障层次分类检测模型以及多类故障分类器构建方法及步骤。用滚动轴承实验数据对分类器的性能进行检验，并与神经网络分类器性能进行初步对比，结果证明了支持向量机方法用于轴承故障检测与识别的可行性和有效性。     

基于支持向量机集成的模拟电路故障诊断

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种支持向量机集成的故障诊断方法.首先,该方法对采集信号进行Haar小波变换,提取1~5层小波变换的每层第1个低频系数构成特征集.然后将特征集输入集成支持向量机,实现对不同故障类型进行识别.将该方法应用于Sallen-Key带通和4运放双二次高通滤波电路进行故障诊断实验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和集成K-NN分类器有更好的分类和泛化性能,故障诊断准确率更高.     

采用多层核学习机的柴油机气门机构故障诊断

针对柴油机缸盖振动信号的非平稳性以及多种气门故障的线性不可分问题,提出了一种组合核主元分析和支持向量机的多层核学习机方法。该方法使用核主元分析技术从原始特征中提取非线性主元,将其输入到由"一对多"算法构建的支持向量机多分类器中,实现了多种气门故障的定量诊断。试验结果表明,在小样本条件下,该方法能准确识别气门机构的6种状态,且识别精度及测试速度均优于单独使用多类支持向量机方法。     

支持向量机和小波包分析下的轴承故障诊断

简要介绍了支持向量机和小波包分析理论,在此基础上提出将故障信号经小波包分解后各子频带信号能量与信号总能量之比作为故障特征并构造特征向量作为SVM分类器的输入,实现故障状态的诊断。设计实验进行验证,在转子实验台上测得滚动轴承各种状态下的振动信号,经小波包分解后计算各子频带相对能量作为实验数据。将数据分为训练样本较多和训练样本较少两组数据集,分别使用四种不同核函数和一对一与一对多两种算法进行故障状态分类计算,以了解其对SVM分类性能的影响,最后与BP神经网络分类结果比较,对比SVM分类器与传统故障诊断方法的优缺点。     

基于图像不变矩和SVM的机械零件分类识别

为了实现机械零件的分类识别,本文采用了不变矩与支持向量机(SVM)相结合的方法。提取了图像的HU不变矩和仿射不变矩,通过交叉验证算法进行SVM核参数和惩罚因子的参数寻优,为了提高SVM分类器的分类性能,采用有向无环图(DAG)方法设计多类分类器,实现了零件的分类。通过实验验证了本文提出的算法并对实验结果进行了分析。     

改进投票策略的Morlet小波核支持向量机及应用

主要研究了现有支持向量机存在的问题,提出基于贝叶斯优化投票策略和Morlet小波作为核函数的改进方法.通过贝叶斯优化改进支持向量机分类投票策略,实现对不可分区域数据的有效分类.通过建立Morlet小波核支持向量机,使向量机更加适合冲击非线性信号的分类,并用一个滚动轴承的实例说明方法的鲁棒性和可靠性.     

基于支持向量机与最近邻分类器的模拟电路故障诊断新策略

针对模拟电路的故障诊断和定位问题,提出了一种基于支持向量机分类器(SVC)和最近邻分类器(NNs)的模拟电路故障诊断新策略,利用SVC解决高维故障样本的分类问题,而采用NNs解决故障样本间的重叠问题。首先建立"1-v-r"结构的SVC对电路故障样本进行训练,并根据训练参数构建故障字典;其次,在测试阶段,根据算法决定利用SVC或NNs对未知样本进行测试。本文设计的故障分类器方法简单,结构确定,通过对两个模拟电路的实验表明,所提出的方法性能要优于常规的"1-v-r"支持向量机分类器;与"1-v-1"支持向量机分类器的诊断性能较为接近,但测试时间较后者显著减少,较为适合模拟电路的故障诊断。     

基于频带能量归一化和SVM-RFE的ECoG分类

针对基于运动想象(左手小手指和舌头)的皮层脑电(electrocortieographic,ECoG)信号的分类问题,对BC12005竞赛数据集Ⅰ中的ECoG信号使用频带能量(band power,BP)归一化算法提取运动相关电位(movement related potential,MRP)、μ节律和β节律的频带能量作为特征.针对特征提取后维数较高的问题,使用基于支持向量机的回归特征消去(support vector machinerecursive feature elimination,SVM-RFE)算法进行特征选择,通过对训练数据集使用lO段交叉验证(cross validation,CV)的方法寻找最佳特征组合,确定特征在维数为6时具有最低平均识别错误率,对测试数据集采用同样的方法和同样的组合进行特征提取,并使用线性支持向量机进行分类,分类正确率可以达到93%.     

基于SVDD的分类新方法

为了实现对大规模数据集的分类,提出了一种基于支持向量数据描述（SVDD）的新算法。把两类的支持向量机（SVM）问题转化为软间隔的SVDD问题,然后用核集迭代的方法得到了近似最优解。实验结果表明,提出的算法与传统的SVM方法预测精度相当,但是训练时间和测试时间更短,产生的支持向量数也更少,适用于大规模数据的分类。     

基于SVM的模拟电路故障特征识别方法

针对目前模拟电路测试性设计中,故障模式分析缺乏科学数据支持的问题,提出在特征提取的基础上,利用支持向量机(SVM)解决模式分类问题的基本原理,构造SVM分类器,对电路特征进行识别、分类的方法.经过仿真验证,该方法对模拟电路故障模式的识别、分类效果显著.