多目标支持向量机及其在少样本故障诊断中的应用

支持向量机理论简单, 实用性很强, 被大量应用于故障诊断问题中. 在分析支持向量机参数对分类结果影响的过程发现, 不恰当的参数选择往往带来较差的分类结果. 采用启发式优化方法可以避免人为选择的不足, 但单纯以等效间隔距离为寻优目标又会较大概率出现“过学习”现象. 为降低整体结构风险, 将等效间隔距离、支持向量数量和错分率等同时作为优化目标, 提出了一种基于粒子群的多目标支持向量机方法, 并采用定时重启、动态学习因子等策略提升算法全局寻优能力. 最后将其应用于多故障强关联耦合的复杂柴油机故障诊断问题中. 实验结果表明, 该方法可以有效解决少样本、不完备或不确定征兆的柴油机异响故障诊断问题, 筛选得到的综合最优解更符合人们的期望.     

有向无环图-双支持向量机的多类分类方法

针对多分类支持向量机算法中的低效问题和样本不平衡问题,提出一种有向无环图-双支持向量机DAG-TWSVM(directed acyclic graph and twin support vector machine)的多分类方法。该算法综合了双支持向量机和有向无环图支持向量机的优势,使其不仅能够得到较好的分类精度,同时还能够大大缩减训练时间。在处理较大规模数据集多分类问题时,其时间优势更为突出。采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对该算法进行验证,实验结果表明,有向无环图-双支持向量机多分类方法在训练时间上较其他多分类支持向量机大大缩短,且在样本不平衡时的分类性能要优于其他多分类支持向量机,同时解决了经典支持向量机一对一多分类算法可能存在的不可分区域问题。     

一种改进的有向无环图支持向量机

构造合理的有向无环图是有向无环图支持向量机亟需解决的一个关键问题。本文提出一种改进的有向无环图支持向量机,根据超球支持向量机获得类的最小包围球,根据该最小包围球计算类与类之间的最短距离,根据该最短距离形成最短距离矩阵,根据该最短距离矩阵来构造有向无环图。实验结果表明,该改进算法较传统有向无环图支持向量机分类精度有明显提高。     

支持向量机的参数优化及其在故障诊断中的应用

针对支持向量机分类器的参数优化问题,提出了一种基于混沌遗传算法的参数选择方法。采用轨道均匀分布的反三角函数Logistic映射产生优化变量,等概率搜索优化区间,克服了Logistic映射优化算法对优化区间边缘进行大概率搜索的缺陷;利用混沌的遍历性产生初始群体,对部分适应度较差的个体进行混沌寻优,解决了遗传算法的早熟和收敛问题。将该方法应用于无刷直流电机功率变换器开关管开路故障分类器中,实现了分类器参数优化。结果表明,该算法是可行、有效的。     

支持向量机在局域网故障诊断中的应用

研究局域网故障诊断问题.由于当前局域网故障诊断方法存在诊断速度慢和不确定性等缺陷,为了能够更准确、有效快速地排除局域网故障,将支持向量机方法引入到对局域网的故障诊断中.对标准支持向景机原理进行了深入分析,针对参数优化过程中存在的速度快,很难找到最优参数的难题,提出了采用遗传算法对支持向景机进行改进,将改进前后的支持向量机用于局域网的故障诊断中.仿真结果表明,改进后的支持向量机能够更有效快速地完成对局域网的故障诊断,为局域网故障诊断的方法设计提供了参考.     

基于支持向量机的控制图模式识别

为了提高控制图模式识别效果，提出混合核函数支持向量机的模式识别方法。在模型构造中采用一对一多类分类支持向量机，并利用遗传算法优化混合核函数支持向量机参数。仿真和应用结果表明，混合核函数支持向量机对各种模式控制图的总体识别率，I型错判均优于单独核函数、概率神经网络和小波概率神经网络，且具有良好的泛化能力，适合生产现场实时在线工序质量控制。     

基于支持向量机的涡轮泵故障诊断方法研究

针对涡轮泵的几种典型常见故障,应用支持向量机(SVM)构造多元分类器,解决故障诊断等多分类问题,在此基础上建立了基于支持向量机的故障诊断模型。试验结果表明,与神经网络相比,采用支持向量机进行故障诊断可得到更高的精度,表现出较好的分类和抗噪能力,而且效率高于神经网络,说明该方法是有效、可行的。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

支持向量机在网络故障诊断中的应用

研究网络故障诊断问题,保证网络可靠性运行效率,针对网络故障是一个非线性、小样本数据,但是传统网络故障诊断方法是基于线性、大样本数据,导致网络故障诊断准确率较低.为了提高网络故障诊断准确率,将专门解决小样本、非线性问题的最小二乘支持向量机( LSSVM)应用到网络故障诊断中,将引起故障的因素作为LSSVM的输入,网络故障类型作为LSSVM输出,通过LSSVM的学习,建立网络故障诊断模型,最后采用建立的LSSVM模型对网络故障样本进行诊断.仿真结果表明,LSSVM网络故障诊断准确率明显高于其它网络故障诊断方法,并证明是一种网络故障诊断有效手段.     

基于决策二叉树的多类支持向量机在大气质量评定中的应用

经典的支持向量机(Support Vector Machine，简称SVM)是针对二类分类的，在解决大气质量等级这种典型的多类分类问题时存在困难，本文提出了基于决策二叉树支持向量机的大气质量分类算法，将分类器分布在各个结点上，从而构成了多类支持向量机，减少了分类器数量和重复训练样本的数量。实验结果表明该方法能够正确地对大气质量进行识别。     

支持向量机及其在密闭鼓风炉故障诊断中的应用

针对密闭鼓风炉故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足,提出了应用支持向量机(SVM)进行故障诊断的新方法.采用改进"1对其余"算法构建多个SVM,利用可靠性数据分析技术中一些基本概念处理原始样本数据作为特征向量,输入到由多个SVM构成的多类分类器中进行故障分类.经实验证明,该方法简单,重复训练量少,训练、分类速度快,准确度高.     

基于支持向量机的舰船柴油机分层故障诊断

介绍了支持向量机(SVM)理论的基本概念、原理及其学习算法,分析了基于传统的专家系统理论的故障诊断系统在知识获取、知识表达及推理能力等方面的缺陷,提出了构造多重支持向量机（MSVM)模型解决舰船故障诊断问题的设想,开发了一套故障诊断仿真系统。     

支持向量机在网络故障诊断中的应用研究

支持向量机是一种解决小样本、非线性、高维问题的机器学习算法,它为网络故障诊断向智能化方向发展提供了新的途径。介绍了支持向量机的基本原理,并且以实验网中采集的数据为例进行了实验,对实验过程和结果进行了说明和分析。     

基于支持矢量机和决策树的多值分类器

基于SVM理论的分类器已经发展为一种通用的二值分类器,但它不适用于多值的场合。该文在分析经典的SVM分类算法和决策树分类算法的基础上,采用了将SVM和二叉决策树结合的方法来实现多类问题的分类,实验表明它与一对一的多值分类器具有相似的分类精度,并比一对一的分类算法具有快的测试速度。     

基于改进粒子群优化的SVM故障诊断方法

针对支持向量机(SVM)分类模型参数选取困难的问题,提出基于遗传免疫的改进粒子群优化算法,克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷。将该算法与优化支持向量机分类模型相结合,建立基于遗传免疫粒子群和支持向量机的诊断模型,并用于轴承故障诊断中。结果表明,基于遗传免疫粒子群算法优化的SVM可实现对SVM分类模型参数的自动优化,并能提高SVM分类模型的故障诊断精度,对分散程度较大、聚类性较差的故障样本分类有较强的适用性。     

基于支持向量机的位置相关计算

支持向量机是一种基于统计学习理论的机器学习方法,该理论主要研究在有限样本下的学习问题.为了得到最佳的推广能力,支持向量机方法在模型复杂度和学习能力之间寻求最佳折中,妥善解决了机器学习中常见的过学习问题.将该方法应用在信号指纹定位技术的第二阶段,即在线阶段,以数据采集阶段采集到的数据为基础,建立了接收信号强度为输入,对应位置坐标为输出的模型.最后用测试样本检验该模型,定位结果验证了支持向量机在小样本情况下的学习能力.     

基于支持向量机的航空发动机故障诊断研究

研究利用支持向量机对发动机的两类故障——失速和喘振进行识别。介绍了支持向量机理论,选取适当的学习算法、惩罚因子和核函数,建立了支持向量机,并采用4组已知故障模式的数据对其进行训练和测试,之后对另外两组数据进行仿真识别,仿真结果与实际故障模式一致。     

基于融合的多类支持向量机

支持向量机可以处理2类问题,通过“一对一”和“一对多”方式能将2类支持向量机扩展为多类支持向量机。提出一种基于两类支持向量机融合的多类支持向量机构成方法。对分类器融合采用极大值法、极小值法、乘积法、均值法、中值法、投票法和各种决策模板融合方法。在日本女性表情数据库JAFFE上应用该方法进行人脸表情识别,结果证明了其有效性。