深度网络与FSVM集成学习的卫星云图云分类

准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差.深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳.本文针对上述问题进行研究.首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Suppo...     

基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

基于分层模糊支持向量机的油液磨粒自动识别

提出基于模糊支持向量机的机械设备在用油液磨粒自动识别方法。首先利用K-均值聚类算法对磨粒图像进行分割,提取磨粒的形状尺寸特征参数、边缘细节特征参数、表面纹理特征参数作为其量化表征,分别选择最能反映待识别磨粒特征的参数作为各个二分类器的输入向量;然后结合二叉树法和一对多法间接构造磨粒的分层多类别分类器模型,在训练过程中同时利用粒子群算法优化分类器的参数,建立一种参数自适应的模糊支持向量机分层多类别分类模型。将该模型应用到旋挖钻机在用油液的磨损颗粒识别中,识别率最高达90%。该模型结构简单、分类精度好,在磨粒识别领域较大的工程应用价值。     

深度支持向量机在齿轮故障诊断中的应用

针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法。首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,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"特征提取公式"生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果。最后,通过齿轮箱故障诊断实验验证了该方法的有效性。     

基于VAE-MSGAN网络的复杂细节图像生成方法

生成式对抗网络被广泛应用于图像生成领域,但其在图像生成时模型不易收敛,导致生成图像的局部细节易出现背景模糊问题.将变分自动编码器与生成式对抗网络相结合,在两者图像生成方面优势相结合的基础上,引入多尺度判别器,提出了VAE-MSGAN网络模型.通过不同尺度的卷积核可以提取到更加丰富的特征信息,并通过加入批标准化(BN)层与特征融合处理,从而加快网络的收敛速度,有利于特征信息的重利用,再将两者提取到的特征信息进行融合,最后将改进的正则化方法应用到目标函数中,减小网络复杂度和过拟合,提升了GAN模型的训练稳定性和图像的局部细节生成质量.对设计的图像生成算法基于Ubuntu16.04环境下利用Tensorflow深度学习框架进行了实现和仿真.对比在不同军事图像类别上的图像生成质量,通过交叉验证证明生成图像与真实图像在深度学习分类器下分类准确率基本一致,验证了所设计网络模型的有效性.     

应用小波包能量谱及SVM的安瓿内浮类异物识别

目的：为了解决安瓿内漂浮物与悬浮物的识别问题,本文提出了一种基于小波包能量谱的特征提取及支持向量机的识别方法。方法：首先通过图像序列差分及点检测分割提取杂质存在区图像作为目标区;然后将目标区沿安瓿瓶轴线方向逐行叠加形成一维信号;对一维信号进行小波包分解,采用主成分分析方法提取小波包分解特征向量中独立主成分;以小波包特征向量中独立主成分的能量谱作为异物类型特征;将提取的特征作为支持向量机的输入向量,采用序列最小优化方法实现训练样本快速分类。实验过程中选择不同类型的核函数和相应参数进行训练和测试。结果：实验结果显示,相对于传统BP网络,SVM在将识别用时减少近60%,识别精度提高了35%。结论：能够满足在生产中对浮类杂质的提取和快速识别的要求。     

基于多主元特征与支持向量机的动态过程质量异常监控模型

为简化多支持向量机识别模型的计算复杂度、提高动态过程质量异常模式的识别精度,提出一种基于多主元特征与支持向量机相结合的动态过程异常监控模型。利用主元分析方法对动态数据进行特征提取,将所提取的不同主元特征作为支持向量机分类器的输入对模型进行训练。将识别效率高的主元特征对应的转换矩阵与多支持向量机相结合,构建了基于多主元特征的多支持向量机识别模型,对质量异常模式进行识别。仿真实验表明,所提基于多主元分析支持向量机识别模型的识别精度比传统基于主元特征或其他特征提取方法的识别模型有显著提高,且训练所需时间大大减少。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于支持向量机的X射线焊缝缺陷检测

为提高对焊缝缺陷的检测精度,提出采用支持向量机(Support Vector Machine,SVM)分类的方法对X射线焊缝图像进行分割.选择训练样本图像的灰度、形态学梯度作为训练向量的特征分量对SVM进行训练,得到SVM分割模型后,将测试样本输入分割模型进行分割处理.以气孔缺陷为例,证明了该方法能实现焊缝气孔缺陷的准确分割,与其他分割方法相比,可提高缺陷检测的精度.