共查询到20条相似文献,搜索用时 187 毫秒
1.
2.
本文论述了基于支持向量机SVM(Support Vector Machine)的铜矿成矿概率估计系统的设计思想和实现方案。分类是采用联合的支持向量机分类器,由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维的情况下。在这个系统中我们尝试了多种基于支持向量机的多分类方法,并且还与其他类型分类器进行了比较试验。试验的结果表明,在小样本情况下,支持向量机的效果更好,识别率更高,能够很好地满足设计要求的系统。 相似文献
3.
通信网络的安全性是智能电网稳定运行的重要保障。提出一种电网通信入侵检测技术,用于对高级计量设施(advanced metering infrastructure, AMI)中的威胁提供预先识别。该方法由基于互信息的特征选择与多个支持向量机的组合模型构成,用于检测智能电网的邻域网中的攻击。互信息通过分析不同特征与攻击之间的关系来选择分类器的输入特征,分类器是多个支持向量机分类器的集成,其中每个分类器仅检测特定模式的攻击。在真实数据集上的实验结果表明,该方法在入侵检测任务上的表现显著优于其他方法。 相似文献
4.
提出一种改进的支持向量机模型,对电能质量扰动进行分类.支持向量机(SVM)在对大规模样本集的训练和分类时,需要占用大量内存,时耗过高,运算速度缓慢.针对这种情况提出一种改进的SVM模型:将原始训练样本集应用粗糙集理论(RS)去除冗余信息,然后在SVM中引入概率分布函数,用一个小规模的样本集训练得到一个初始的分类器,用这个初始分类器对大规模训练集进行修剪,修剪后得到一个规模很小的约减集,再用这个约减集进行训练得到最终的分类器.实验表明:这种改进的SVM模型有效降低了训练样本集的规模,提高了分类能力. 相似文献
5.
针对传统算法在自然环境下对小果实目标识别能力差,检测模型识别精度低的问题,提出了一种基于改进方向梯度直方图(HOG)和支持向量机(SVM)的苹果检测算法。该方法采用HOG算法提取苹果目标形状以及纹理的浅层特征,在特征提取部分加入Focus+CSP级联模块进行深层特征提取。同时引入特征金字塔(FPN)获取多尺度特征图并与HOG特征融合,获得更多小分辨率的信息,加强检测效率。最后对SVM进行训练,获得苹果检测分类器,在预测过程加入非极大值抑制输出预测值高的检测图。通过实验得到算法的识别准确率平均值达到90.46%,与原始HOG+SVM算法相比准确率提高了8.54%。证明了训练好的苹果分类器可以在复杂环境下准确地进行苹果检测。 相似文献
6.
7.
8.
《电力科学与工程》2017,(2)
针对支持向量机(Support Vector Machine,SVM)预测方法中的参数选取主要依靠经验试算实验比对的方法导致难以快速选择合适参数从而影响负荷预测精度的问题,研究了将入侵杂草优化算法(Invasive Weed Optimization,IWO)与支持向量机算法相结合的改进算法。提出控制误差ε的取值,采用入侵杂草寻优算法对惩罚参数C和核函数参数σ进行优化选取,将自动寻优的结果赋给支持向量机,从而实现支持向量机自动寻优。用某市的历史负荷及相关天气等信息数据,通过仿真实验证明了IWO-SVM算法用于短期负荷预测的可行性,以及IWO算法对改善SVM的参数选择的有效性。平均预测误差在3%以内,满足行业要求。 相似文献
9.
针对工业控制网络环境的复杂性和入侵检测要求的特殊性,提出了基于异常行为模式的入侵检测特征提取方法。以Modbus/TCP工业控制网络为检测对象,通过深度解析异常行为的操作模式,提取通信流量的入侵检测数据特征,同时,为了去除冗余的检测信息,利用粗糙集理论(RST)的方法进行检测特征的属性约简,最后结合支持向量机(SVM)算法的分类优点,并利用自适应遗传算法(AGA)进行模型参数优化,建立基于RST-SVM算法的自学习式入侵检测模型。根据实际的检测性能对检测特征和模型参数进行学习。研究表明,该方法降低了入侵检测模型的复杂度和检测时间,提高了对异常攻击行为的检测率,能够满足工控网络入侵检测高效性和实时性的要求。 相似文献
10.
支持向量机参数优化及其在变压器故障诊断中的应用 总被引:2,自引:0,他引:2
支持向量机(Support Vector Machines,SVM)分类器在变压器故障诊断中取得了较好的效果,然而对其性能起关键作用的参数选择,却没有理论依据或有效方法。鉴于交叉验证(Cross validation,CV)是模型性能评估和模型选择的有效方法,而遗传算法(Genetic Algorithm,GA)可以实现全局寻优,将CV与GA方法相结合用来选取SVM分类器参数。该方法采用GA方法对SVM分类器参数进行优化,利用CV构造GA适应度函数,为SVM分类器参数选择提供评价标准。并将其应用于变压器故障诊断,从而充分利用有限的变压器故障样本数据,提高SVM分类器的推广性。实例分析表明同Grid与SVM相结合,CV、Grid与SVM相结合及GA与SVM相结合的方法相比,所提方法具有更好的效果。 相似文献
11.
柳笛 《可编程控制器与工厂自动化(PLC FA)》2014,(12):37-39
论述了基于机器视觉的铝板表面缺陷检测方法,提取7种铝板表面缺陷的多种特征值作为训练数据进行学习。介绍了支持向量机的原理和核函数的选择,在VC环境中构建支持向量机分类模型,用该模型对铝板表面缺陷进行分类标识,最后对支持向量机分类器的分类准确性、稳健性作出评价。 相似文献
12.
13.
14.
15.
变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。 相似文献
16.
针对复杂的环境背景下不良信息的快速准确检测问题,提出了基于快速序列视觉呈现( rapid serial visual presentation,
RSVP)的面向不良信息检测人机协作系统。 首先利用快速佩戴便携式采集系统采集了 12 名受试者的脑电数据;然后采用
Mallat 算法提取较低维度的时频特征,使用人工神经网络(ANN)和支持向量机(SVM)两种模型分类对比;最后在训练集中引入
不同次数的叠加平均数据以改善模型的分类性能。 实验结果表明,在含有 3 个目标的 60 张图像中平均正确输出至少 2 张目
标,AUC 值达到了 0. 9。 该系统在小批量数据集、环境变化复杂的不良图像信息检测中有着良好的性能,相较于人工检测提高
了效率。 相似文献
17.
支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。 相似文献
18.
基于贝叶斯证据框架的支持向量机负荷建模 总被引:4,自引:0,他引:4
负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的三个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。 相似文献
19.
目前变压器智能故障诊断大多是以油中溶解气体为特征对故障性质的诊断,缺乏对内部故障部位的分析及量化的诊断结果。针对上述问题,提出一种基于SVM的电力变压器内部故障部位的概率估计模型。该模型结合SVM与概率建模的优点,充分利用油中溶解气体和电气试验数据的互补信息,运用SVM后验概率理论,对变压器内部可能发生故障的部位进行概率估计,克服了标准SVM硬判决输出的缺陷,以概率的形式给出诊断结论。通过实例分析表明,该模型不仅故障识别率较高,还具有良好的概率分布形态,具有较好的实用性和推广性。 相似文献