模拟电路故障诊断的邻近支持向量机集成方法

提出了基于非对称AdaBoost算法与邻近支持向量机的模拟电路集成故障诊断方法。该方法采用非对称AdaBoost解决邻近支持向量机处理多分类问题出现的数据不平衡问题,提高邻近支持向量机的分类准确率;利用高斯变异策略自适应选择核函数及正则化因子,提高集成邻近支持向量机的个体间差异性;最后获得分类精度高和泛化性能好的分类器。通过对模拟电路的故障诊断实验,验证了该方法的鲁棒性和可行性。诊断结果表明本文方法具有故障定位准确和泛化性好的特点。  

采用Boosting方法预测电力信息网络的威胁态势

威胁态势预测可以有效反映电力信息网络在未来时刻的宏观安全状况。为实现威胁态势的精确预测,提出一种基于AdaBoosting方法的网络威胁态势预测方法。该方法采用威胁态势值描述电力信息网络的宏观安全态势,并将威胁态势值的预测抽象为回归问题,进而利用AdaBoosting方法求解。该方法先利用滑动时间窗口将威胁态势值构造成时间序列样本集,再将样本集输入到AdaBoosting方法中训练,以得到回归分析模型,并利用该模型完成威胁态势预测。最后基于现场数据的验证性实验证明了所提方法的有效性。  

风力机叶片的图像跟踪与识别算法研究

为及时发现、处理风力机叶片事故,提高风力发电的安全性和可靠性,针对中国现行风力发电的特点,采用图像跟踪技术,借助Adaboost算法对风力机叶片运行状态进行跟踪与识别研究,并提出了Adaboost算法缩短训练耗时间的改进方法。结果表明,改进后的算法可以减少训练分类器的时间,使跟踪、识别的实时性与准确性更为理想。  

R-AdaBoost带钢表面缺陷特征选择算法

带钢表面缺陷形式的复杂多变给特征的选择带来了困难,为此,提出一种融合特征筛选和样本权值更新的R-Ada Boost特征选择算法。该算法在Ada Boost算法的每个循环中通过Relief算法进行特征的筛选与降维,通过筛选后的特征利用样本的类内类间差去除噪声样本,然后根据Ada Boost的动态权值更新样本库,再利用每个循环优化选择得到的最优特征与弱分类器级联成最终的Ada Boost强分类器,进行带钢表面缺陷的检测与定位。实验结果表明,针对带钢实际生产线上的划痕、褶皱、山脉、污点等多种缺陷,该算法可以有效提取出具有高区分性和独立性的特征,同时提高了缺陷检测算法的准确率。  

基于Adaboost识别算法的电力塔杆拉线防盗报警系统的研究

近年来,电力塔杆拉线被盗事件时有发生,针对传统的拉线防盗系统实时性较差,防盗报警误报、漏报率高等问题,设计了一种基于Adaboost识别算法、STM32和uCOSⅡ的电力塔杆拉线防盗报警系统。以STM32微处理器为核心,搭载uCOSⅡ操作系统,实时采集振动、拉力、倾角加速度传感器信号,通过Adaboost算法对拉线状态进行识别判断,将结果以GSM消息方式传递给运行维护人员。实验表明,该系统实时性较强、运行可靠,预警准确率达89.4%以上,报警准确率达100%,具有较高的工程实践意义。