基于PARAFAC分析和SVM离心泵故障诊断方法

在多尺度平行因子分析理论的基础上,将原始信号经过多尺度小波分解得到三维时频信号,再经平行因子分析得到通道加载因子、时间加载因子和频率加载因子,通过实验分析,后二者可以明显地表征设备正常或故障状态,利用这一特征建立不同状态的离心泵与其对应的时间加载因子和频率加载因子的映射关系,并以此作为改进粒子群算法优化后的支持向量机分...     

一种基于SVM和LVQ神经网络的入侵检测方法

入侵检测是网络安全研究中的一个热点研究领域,是一种相当实用的网络安全防御技术,将支持向量机较强推广能力与神经网络自动学习能力精巧地结合和利用起来。通过实例表明该方法具有检测正确率高,能解决小样本、非线性、高维数、不存在局部极小值等问题的特点,体现较强的实用性。     

基于图像处理和SVM的定位基准分类研究

为解决机器人自动化制孔过程中多特征定位基准分类的问题,本文提出一种基于图像处理和SVM的定位基准分类方法,对包含多特征定位基准的图像进行基于全局最优阈值的基准ROI区域分割,计算基准特征的轮廓统计方差、轮廓圆度和特征区域灰度均值,并作为描述定位基准的特征参数,结合SVM实现定位基准的识别分类。结果表明：该方法对定位基准的识别准确率为94.3%,召回率为95.9%,对机器人自动钻孔全流程自动化有一定的应用价值。     

基于SVM RFE的人脸特征选择方法

提出一种新的基于SVM RFE（Support Vector Machine Recursive Feature Elimination）的人脸特征选择方法。该方法将权重矢量和半径／间隔作为SVM RFE的特征选择标准,采用缩放因子梯度算法优化特征搜索。基于该方法构建了一种实用、有效的人脸特征提取、选择及识别框架,并在UMIST人脸数据库上进行了验证实验。对特征选择前后的分类能力及速度进行了分析比较,结果表明,该方法是一种实用、有效的人脸特征选择方法,可以在特征维数为80左右时,达到94．62％的分类识别率。     

基于相空间RVM的轴承故障检测方法

针对轴承故障检测问题,提出一种基于相关向量机(RVM)的故障检测方法.RVM算法基于贝叶斯估计理论,它产生的决策函数具有少数的相关向量,利用RVM算法松散特性,解决了支持向量机算法(SVM)计算复杂度高的不足.为进一步降低检测时间,以重构相空间投影系数为轴承故障特征.试验最后同传统的SVM算法进行了比较,结果表明所建议的方法在保持较高检测率的同时,提高了故障检测的时效性.尤其检测时间从0.67 s降低了0.005 9 s(100倍).因此,该方法非常适合于在线故障检测等实时性要求很高的领域.     

基于佳点集粒子群算法的SVM参数优化方法

针对传统的粒子群算法（PSO）初始种群随机生成而导致的算法稳定性差和易出现早熟等问题,提出了基于佳点集改进的粒子群算法（GSPSO）,并将其优化支持向量机（SVM）,构建一种高效的预测评估模型（GSPSO-SVM）。首先采用佳点集方法使PSO中初始粒子均匀分布,然后利用GSPSO优化SVM的惩罚因子C和径向基核函数参数g以获取最佳参数值,提高SVM分类性和稳定性,最后将模型应用于旱情数据的评估预测。仿真实验结果表明：本模型在平均准确率和方差方面的准确都取得了很好的效果;对比分别用PSO和遗传算法（GA）优化的SVM模型,本模型的性能更好。     

基于SVM的捆装圆棒材计数方法

目的研究利用相机拍摄的捆装棒材端面图像进行棒材的自动计数方法。方法利用Hough变换提取端面圆的半径对图像尺寸进行规格化处理,使每个圆形端面具有近似统一的尺寸;利用滑动窗口的方法对检测窗口的中心点是否为圆棒材的中心进行判别,并标记判别结果;判别过程采用了一种SVM分类器的方法;通过在标记图上进行连通区搜索,统计棒材中心点区域的个数实现棒材计数;在测试图像库上对方法的有效性进行了测试实验。结果实验结果显示,文中方法在测试库上的正确率达到94%,其性能较模板匹配方法有显著优势。结论该方法的正确率较常规方法有很大提升,并且具有较好的鲁棒性,可应用于捆装圆棒材的自动计数问题。     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

基于DT-CWT和SVM的纹理分类算法

提出了一种基于双树复数小波变换(DT-CWT)和支持向量机(SVM)的纹理分类算法.双树复数小波变换不仅具有实数小波的诸多优点,而且还具有近似平移不变性、良好的方向选择性和低冗余度,并且能对图像进行完全重构,能够更好地刻画纹理的特性;支持向量机算法是近年发展起来的性能优越的分类算法,比传统分类器有很大的优越性:避免了局部最优解和"维数灾"问题,其最优分类超平面的思想能够提高分类准确度.该方法用双树复数小波对纹理图像进行滤波并在各方向子带上进行重构,再计算其局部能量函数得到每个像素的特征向量,最后利用支持向量机算法实现对纹理图像像素的分类.将本方法与其它的分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率.     

基于计算机视觉与SVM的水质异常监测方法

针对水质异常监测问题,本文提出了一种基于计算机视觉技术和支持向量机相结合的生物式水质异常监测方法。首先通过计算机视觉获取可以反映水质状况的鱼类行为运动特征参数,对其进行预处理;然后建立样本集并获得基于SVM的水质异常监测模型;最后利用模型对未知水质下的鱼类行为特征参数分析评价,间接监测水质异常状况。鉴于支持向量机核函数类型和参数优化对模型优劣有重大影响,本文对不同类型的核函数进行实验对比,其次分别采用粒子群优化算法(PSO)、遗传算法(GA)以及网格搜索法(Grid Search)对参数进行优化选择。实验结果表明该方法可以快速有效的进行水质异常监测。     

基于SVM的船舶上层建筑舱室噪声预报方法

摘 要：为对舰船舱室噪声进行精确预测,提出了基于SVM（支持向量机）的舱室噪声预测方法。采用RBF核函数和ERBF核函数,以某集装箱船上层建筑舱室噪声为训练样本,建立了两种集装箱船上层建筑舱室噪声的非线性回归模型;并应用两种模型对母型船及另一艘集装箱船上层建筑舱室噪声进行预测,并将预测结果进行了比较分析;在此基础上,应用效果较好的模型对一艘散装货船上层建筑舱室噪声进行预测。预测结果表明：应用SVM非线性回归模型对船舶上层建筑舱室噪声的预测是可行的,预测效果较为理想。     

基于支持向量机的红外成像跟踪算法

为提高传统红外成像跟踪算法的性能,克服相关跟踪对"图像灰度一致性"的要求,在分析光流方程和支持向量机基本理论的基础上,提出一种由光流方程引出的基于支持向量机的成像跟踪算法.以机动车的红外图像序列为研究对象,该算法利用支持向量机的分类值替代方差和误差函数,将每帧中分类值最大的位置看作当前帧中目标的位置,从而实现了对目标的跟踪.该算法不仅不要求满足"图像灰度一致性",而且有效地减少了跟踪的累积误差.研究结果表明,与传统相关跟踪算法相比,本文提出的跟踪算法的精度、稳定度和鲁棒性都有所提高.     

基于一类超球面支持向量机的机械故障诊断研究

针对机械故障诊断中故障类样本不易获取以及样本分布不均的问题,提出了基于一类超球面支持向量机(SVM)的故障诊断方法,该方法只需要对正常类样本进行训练.试验分析了异常类样本缺失对一类超球面支持向量机性能的影响,并提出模型参数优化选择方法,以提高分类模型的推广能力.分析了不同训练结果的分类能力,并对一类超球面支持向量机与一类超平面支持向量机的分类结果进行比较,验证了前者的正确性和有效性.     

免疫支持向量机复合故障诊断方法及试验研究

研究了传统分类算法在故障诊断中的不足,融合人工免疫系统中的实值否定选择(RNS)算法和支持向量机(SVM)算法提出了一种复合的故障诊断方法。在新方法中使用RNS算法产生检测器(非己集合)当作故障样本,这些样本再作为SVM算法的输入进行训练,这样就能解决分类算法所面临的训练样本不足的难题。轴向柱塞泵发生故障时,由于滑靴对斜盘冲击产生的振动信号被高频谐振信号调制,通过小波簇包络解调方法将调制信号解调出来,然后对包络信号用小波包分解子带特征能量法进行特征提取。最后用轴向柱塞泵多松靴和配流盘磨损多故障模式样本进行诊断测试,正确率可达90%以上,验证了复合诊断方法的有效性。     

基于支持向量机的机械系统状态组合预测模型研究

提出了一种新的支持向量机（Support Vector Machines，SVM）机械系统状态组合预测模型。应用FPE（Final Principle Error）准则优化样本的维数，采用时域内的振动烈度和频域内的特征频率分量作为预测机械系统状态的敏感因子，构建了预测模型。支持向量机采用新型的结构风险最优化准则，预测能力强、鲁棒性好。采用径向基函数和ε损失函数，将该模型应用于实验台和旋转注水机组的状态预测，取得了较好的效果。这表明利用支持向量机的组合预测模型，可以降低设备维修代价，提高设备的安全性和可靠性。     

有界不确定结构基于最小二乘支持向量机回归的动力特性分析方法

针对不确定结构的动力特性分析问题展开研究,考虑仅已知结构参数变量变化范围的情况,建立不确定参数变量的区间模型。对不确定变量在其取值范围内进行改进的均匀试验设计抽样,并基于确定结构动力特性分析的有限元法和模态叠加理论,提出改进均匀试验设计抽样模拟方法;考虑到该算法计算效率较低,对其进行改进并提出基于最小二乘支持向量机回归的模拟方法,算法在不改变样本点数量的前提下,引入了支持向量机回归代理模型,用训练后的代理模型对不确定结构的动力特性进行了模拟分析。算法通过两个数值算例验证了其有效性。     

基于交叉验证SVM的网络入侵检测

针对传统入侵检测系统漏报率和误报率高的问题,将支持向量机(SVM)应用于入侵检测中,提出了在SVM学习过程中引入交叉验证的方法,采用径向基函数(RBF)作为核,将训练集分成若干子集,每一子集使用其它子集训练得到的分类器进行测试,获得RBF的两个最佳参数后,将其应用于最终的分类器.实验结果表明,该方法能够有效检测入侵攻击,具有更高的检测率和更强的泛化能力,同时具有较低的误报率和漏报率,可以有效地运用于入侵检测系统中.     

基于SVM的彩色扫描仪特征化

研究了基于支持向量机(SVM)的彩色扫描仪特征化方法,分析了采用SVM回归法实现RGB色空间与CIELab色空间非线性变换的可能性。研究结果表明:L,a,b测试值与预期值的回归相关性达到99%以上,其中CIELab色差平均值、最大值和最小值分别为2.314 3,5.791 7和0.507 3;利用SVM回归法可满足扫描仪特征化的精度要求,体现了SVM在小样本拟合中的精度和时间优势。     

基于支持向量机的地震预警震级快速估算研究

以更准确的估算地震预警(earthquake early warning,EEW)震级为目标,利用P波触发后3 s内的日本K-net强震数据,选取幅值参数、周期参数、能量参数、衍生参数这4大类共12个P波特征参数作为输入,构建基于支持向量机震级预测模型(support vector machine for earthquake magnitude estimation,SVM-M)。结果表明,比较传统的震级估算“τc方法”与“P d方法”,建立的SVM-M模型震级预测误差明显减小且不受震中距变化的影响,小震高估问题得到明显改善。2016年日本熊本地震主震(M j7.3)与2008年中国汶川地震主震(M s8.0)的震例分析结果表明,3 s时间窗不能匹配震源破裂全过程而出现了一定程度的震级低估,但仍可在P波触发后短时间窗内明确是大地震事件。建立的SVM-M模型可应用于地震预警震级快速估算。     

基于支持向量机的小样本响应曲面法研究

当影响因素和响应输出的关系较为复杂时,应用传统响应曲面法(RSM)、非参数响应曲面法(NPRSM)和人工神经网络(ANN)难以拟合真实的响应曲面,不仅需要大的样本量,而且泛化风险大,不易达到全局最优.将RSM归结为可有限制地主动获取样本的小样本机器学习问题,提出了一种基于支持向量机(SVM)的RSM.以大间隔网格取样,利用SVM拟合过程,对拟合方程寻优确定极值大致区域,再逐步缩小间隔求精.算例研究表明,该方法的拟合与泛化性能优于NPRSM和基于ANN的RSM,能在小样本条件下建立全局性数值模型,寻优可以得到多个极值.