基于MFCC和SVM的车窗电机异常噪声辨识方法研究

为提高车窗电机异常噪声特征提取的有效性及分类识别的准确性,提出一种以优化的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)为特征值,以支持向量机(Support Vector Machine,SVM)为噪声辨识模型的电机异常噪声辨识方法。在MFCC提取方法基础上,针对频谱泄漏,用Hanning自卷积窗代替Hanning窗,获得优化的MFCC,并将其作为特征值输入到SVM进行异常噪声辨识。为提高SVM判别准确率,采用人工蜂群算法实现SVM参数选择优化。实验结果表明,该方法能够有效判别电机是否存在异响,准确率达到91%。     

船舶上层建筑舱室振动灰色预测

基于灰色系统理论，以5618箱集装箱船为母型船，利用灰关联分析法．分别确定了影响船舶上层建筑甲板平均振动和各甲板舱室振动的主要因素，采用非等间隔GM（1，1）建模的方法，分别建立上层建筑甲板平均振动模型和各甲板舱室相对于甲板平均振动的差值的模型，通过将两个模型的预测值求和来得到最终的上层建筑舱室振动预测值。应用此模型对4100箱集装箱船上层建筑舱室振动进行了预测，预测结果显示：用灰色预测方法对复杂的船舶上层建筑舱室的振动进行预测是可行的，不仅能考虑多个因素的影响．而且具有要求的样本少、预测快、精度较高等优点．尤其是在船舶开发设计的初期，较其它方法具有明显的优越性。     

基于遗传支持向量机的柴油机辐射噪声品质预测技术

以一台六缸车用柴油机为例,研究了其在变负荷及转速工况下表面辐射噪声品质情况,为进一步提高整机声品质,开展柴油机结构声学设计奠定了理论基础。研究国内外车用柴油机客观评价特征,并选取响度、尖锐度、粗糙度和波动度来描述辐射噪声的客观评价特征;针对柴油机噪声特点,采用成对比较法开展以专业陪审团人群为目标的满意度评价研究;应用遗传算法优化支持向量机（GA-SVM）建立起该车用柴油机声品质预测模型,并与BP神经网络预测模型进行比较,结果表明,基于遗传算法优化的支持向量机辐射噪声品质预测模型较神经网络建模预测精度更高,能够更准确地反映客观评价参量与主观满意度之间的非线性映射关系。     

基于支持向量机的柴油机噪声品质客观评价参量权重分析

以一台6缸柴油机为研究对象,采用分类对偶比较法对采集到的目标机型在多工况下的辐射噪声品质进行主观评价试验,同时选取并计算了可以描述其声音特性的5个客观评价参量,引入支持向量机,建立了柴油机噪声品质预测模型,并借助噪声测试样本验证预测模型的准确性。然后以柴油机噪声品质预测模型为基础构建起客观评价参量的权重分析模型,分析柴油机噪声品质客观评价参量对主观评价结果的影响权重。研究表明,柴油机噪声品质主要受响度和粗糙度两个客观评价参量的影响。此次分析对高声品质柴油机的设计起到了指导性的作用。     

基于谱相关密度切片分析和SVM的滚动轴承故障诊断

为了对旋转机械中的滚动轴承进行故障分析,针对滚动轴承具有二阶循环平稳的特点,采用了谱相关密度组合切片分析方法进行特征提取,并将提取的特征作为输入向量,用"一对其他"多分类支持向量机进行故障识别,给出了基于谱相关密度组合切片分析和多类支持向量机的滚动轴承故障诊断流程图,该方法具有较高的计算效率和估计精度。最后通过对实验数据的分析与处理,验证了该方法在滚动轴承故障诊断中的可行性和实用价值。     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

基于核主元分析与纠错输出编码SVM的齿轮故障诊断

摘要：为提高齿轮故障诊断的准确率,提出了核主元分析和纠错输出编码支持向量机相结合的方法。首先采用基于核主元分析方法对原始样本向量进行预处理,实现对原始样本向量的降噪及冗余消除。然后采用基于纠错输出编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的整体容错能力。最后,把经过核主元处理后的新向量作为纠错输出编码支持向量机的训练及测试样本,实现对不同故障状态齿轮的识别。结果表明,该方法能够提取更有效的分类样本向量,故障诊断效果更好。
     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

基于闭环计算的船舶舱室空气噪声工程预报

舱室空气噪声快速预报对船舶早期声学设计有着重要作用。在传统"S-P-R"系统分析预报方法的基础上,引入"声学单元"的概念,考虑舱室间噪声能量的耦合关系,将"开环"计算转化为"闭环"计算,提高了计算精度。该预报方法被应用到某大型油轮的噪声预报中,其计算结果与SEA软件比较可见,"闭环S-P-R"能有效克服"开环S-P-R"在大型复杂船舶结构舱室空气噪声预报的不足。     

车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。     

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。     

基于支持向量机的现地地震预警地震动峰值预测

以0.1-10 Hz带通滤波后三分向矢量合成地震动峰值PGA 与PGV 为预测目标参数,利用日本K-net 强震台网P波触发后3 s数据,基于人工智能中的经典机器学习方法-支持向量机,选取加速度幅值Pa、速度幅值Pv、位移幅值Pd、傅里叶谱幅值AMmax、速度平方积分IV2、破坏烈度DI、累积绝对速度CAV、阿里亚斯烈...     

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PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

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KPCA-SVM模型的电力负荷最大值短期预测方法

电力负荷最大值预测是电网企业调度工作的重要组成部分,其预测结果的准确度将对电能的配送、有效利用率、供电服务的质量以及电力系统的发展产生重要影响。以安徽某市81天的电力负荷最大值数据为基础,选取影响当天电力负荷最大值的10个因素,并采用核主成分分析（kernel principal component analysis,KPCA）算法将10维的影响因素降为5维,其累计贡献率可达93.70%。以降维后的5维数据为输入,以径向基函数为核函数,并采用交叉验证选择支持向量机（support vector machine,SVM）回归的最佳参数,随机选取54组数据训练SVM预测模型,最后进行27组数据的拟合预测,拟合预测的均方误差为0.004 1,相关系数为0.963 1。研究结果表明,应用KPCA结合的SVM预测模型对电力负荷最大值具有很好的预测能力。     

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。     

基于进化蒙特卡洛方法的特征选择在机械故障诊断中的应用

特征选择可以从原始特征集中去除冗余特征,选择出优化特征子集,提高机械故障诊断精度和诊断效率。将进化蒙特卡洛方法引入机械故障诊断的特征选择。应用支持向量机(SVM)作为故障决策器,采用Wrapper式特征子集评价标准,并采用进化蒙特卡洛算法搜索最优特征子集。运用滚动轴承故障振动信号数据对提出的方法进行验证,实验结果表明该方法是有效的。     

基于双隶属模糊支持向量机的中小企业信用评价

构建了中小企业信用评价的双隶属模糊支持向量机模型(DFSVM),使每个训练样本依双隶属度同时隶属于两个信用类别,并通过粗糙集的属性约简方法确定支持向量机的最优输入指标组合。考虑到银行对于信用风险的厌恶,在模型的训练阶段对样本进行了"非对称"处理。实证结果表明,与传统的判别分析方法相比,建立的企业信用判别模型精度更高,调整后的模型可以进一步降低银行的信用风险。     

CCPSO优化支持向量机的鸟声识别技术研究

鸟类是生态系统中的重要组成部分,鸟类物种的多样性对生态环境有重要作用。所以,通过鸟声信号来识别鸟类从而对其进行保护有现实意义。文章对鸟声信号采用双参数的双门限法进行分段,从鸟声信号中寻找出声音的起始点和终止点的具体帧,进一步进行特征提取,提取每段鸟声信号中的短时能量和短时平均幅度,短时语谱图中的平均值、对比度、熵,共5种特征,采用优化参数的支持向量机进行鸟类物种分类。结果表明,基于混沌云粒子群优化(Chaos Cloud Particle Swarm Optimization, CCPSO)的支持向量机对比普通支持向量机的分类准确度得到提升,可有效地识别鸟类。利用该方法实现鸟类物种保护和生态系统管理的目的。