基于支持向量机的故障诊断

将支持向量机应用于故障的分类诊断,通过实例建立了两类故障分类器和多故障分类器,给出了具体的建立多故障分类器的步骤和仿真结果。最后提出了一种新的方法——基于支持向量机的并行诊断网络。     

基于支持向量机的旋转机械故障诊断研究

为了解决因缺少大量故障数据样本而制约机械故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断模型。该模型建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷。在选取诊断模型输入向量时,对故障信号功率谱进行小波分解,简化了故障特征向量的提取。仿真结果表明该模型可以有效地对旋转机械设备故障进行诊断。     

基于混合核函数支持向量机和遗传算法的人脸识别

提出了一种基于混合核函数支持向量机和遗传算法的识别方法,用于人脸识别。该方法结合了支持向量机的学习性能和遗传算法的寻优性能,与传统的方法相比,具有速度快、误差少、效率高的特点,在实验中能够较精确地对人脸进行识别。     

一种基于Morlet小波核的约简支持向量机

针对支持向量机（SVM）的训练数据量仅局限于较小样本集的问题,结合Morlet小波核函数,提出了一种基于Morlet小波核的约倚支持向量机（MWRSVM—DC）．算法的核心是通过密度聚类寻找聚类中每个簇的边缘点作为约倚集合,并利用该约倚集合寻找支持向量．实验表明,利用小波核,该算法不仅提高了分类的准确率,而且提高了整体分类效率．     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势,并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理,因此提出了一种基于核函数主元分析(KPCA)与支持向量机(SVM)的人脸识别方法。在使用KPCA方法对人脸图像进行特征提取后,用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

基于核主元分析的支持向量机识别方法研究

主元分析、核主元分析、支持向量机等方法在分类与识别中应用时都各有自己的优点,本文提出一种基于核主元分析的支持向量机识别方法,用该方法分别对ORL人脸库和iris数据集中的数据进行分类与识别,结果表明:如果调整好了核函数的参数,可以得到极高的识别率。     

小波核支持向量机的网络入侵检测

将小波理论和统计学习运用到网络入侵检测中,使用小波核支持向量机(WSVM)对网络连接信息进行攻击检测和异常发现。仿真试验结果表明,与RBF核相比,小波核支持向量机在泛化能力和检测能力方面都有所提高。     

基于核主元分析和支持向量机的人脸识别

核主元分析(KPCA,Kernel Principal Components Analysis)具有能较好地提取非线性特征的优势;支持向量机(SVM,Support Vector Machine)具有较好的非线性映射能力,且泛化能力强。结合核主元分析与支持向量机的特点,提出了一种基于核主元分析与支持向量机的人脸识别方法。该方法首先利用核主元分析对人脸图像进行特征提取,然后依据支持向量机与最近邻准则对所提取的核主元特征进行分类识别。基于ORL(Olivetti Research Laboratory)人脸数据库的实验结果表明了该方法的有效性。     

基于分块核主成分分析和支持向量机的故障检测

针对工业系统监测数据为非线性,且难以辨识复杂工作过程中故障位置的问题,提出一种基于分块核主成分分析(BKPCA)和最小二乘支持向量机(LS–SVM)的集成故障检测方法.首先对系统监测变量进行分块,使用KPCA对每个分块在特征空间中建立T²和平方预测误差(SPE)统计量来实时监测系统健康状态,并使用LS–SVM对上述过程检测出来的故障数据进行再次判断.随后计算出现故障后计算每一分块的故障贡献率,进而确定发生故障的分块.由于采用了并行分块算法,可以较简单的确定故障发生位置,提高计算效率,同时LS–SVM方法的应用也可以提升故障检测的精度.使用田纳西–伊斯曼化工(TE)过程数据对本文所提方法进行仿真验证,试验结果表明所提方法取得了较好效果.     

核函数支持向量机

概述了基于核函数方法的支持向量机。首先简要叙述支持向量机的基本思想和核特征空间,然后重点介绍核函数支持向量机的前沿理论与领先技术,同时描述了核函数支持向量机在关键领域的应用。     

基于深度学习的永磁同步电机故障诊断方法

针对永磁同步电机匝间短路和永磁体失磁故障因处理复杂、特征独立单一和样本稀少等因素引起的诊断偏差问题,提出一种基于深度学习变分自编码网络的故障特征样本快速扩展策略及融合稀疏自编码网络的故障诊断方法。通过组合永磁同步电机频域电流、磁通密度、电磁转矩特征,结合变分自编码网络的生成模型实现故障真实样本扩张,构建丰富、多样、更具鲁棒性的训练集合。将优化数据集输入稀疏自编码网络训练诊断模型,用测试数据验证网络的优劣。实验结果表明,相比传统故障诊断方法,该算法能更加高效快速地实现匝间短路及失磁故障诊断。     

基于混合学习算法IHMCAP的故障诊断模型

在故障集和差错属性集的基础上,通过结合了基于概率论的符号学习与神经网络学习的增量式混合型多概念获取算法IHMCAP寻找属性值与故障类型之间的对应关系,由此建立一个故障诊断模型.实验表明,该模型不仅精度高、速度快、学习能力强,而且在利用系统的先验知识与新增数据上也取得了均衡.     

基于非线性核的SVM模型可视化策略

可视化技术已经成为大数据分析的重要研究方向。非线性支持向量机(SVM)可视化表达有利于理解分类模型内在分析机制,增强分类可信度,对支持向量机应用推广具有重要意义。将超过两维空间的非线性核SVM模型分为三维特征模型与多维特征模型两类。针对不同模型研究实现了基于移动最小二乘法拟合的三维特征模型超平面可视化策略与基于t-SNE点重构的多维特征模型超平面可视化策略。在UCI公开数据集上验证所提出的策略,实验结果表明,该可视化策略能够剖析SVM模型的分类机制,在一定程度上解决了多维空间非线性核超平面难以刻画的问题。     

优化船舶主机燃油喷射系统故障诊断的GA-Elman神经网络

RBF神经网络进行船舶主机燃油喷射系统故障和诊断的过程中存在着精度不高、误诊率高的缺点.针对这种情况,引入以Elman神经网络为基本识别模型,使用改进遗传算法(GA)对网络的权值和阈值进行优化;使用船舶主机燃油喷射系统故障样本对优化后的算法进行训练并对待识别故障样本进行仿真.对比普通Elman神经网络模型、GA-RBF神经网络模型、GA-Elman神经网络模型的诊断结果.仿真结果显示,改进的GA-Elman神经网络不易陷入局部最小值,误差小,在故障诊断方面优于Elman神经网络和GA-RBF神经网络.     

基于故障检测的KPCA中核主元的选取方法

在应用KPCA进行故障检测时,根据累计贡献率选取的核主元是数据建模的最佳选择,但不是故障检测的最佳选择.为了解决这个问题,提出一种基于故障检测的KPCA中核主元的选取方法.使用核主元对样本马氏距离的贡献来评估核主元对故障检测的重要性,即运用即时累计贡献率(JITCPC)准则来选取核主元.选定和未选择的核主元分别用于定义主要和次要T2统计量,运用核密度估计方法计算出99％的控制限.将统计量与控制限比较进行故障检测.应用数值例子和半导体工业实例进行仿真研究,仿真结果说明JITCPC准则在基于KPCA的故障检测中的有效性和优越性.     

基于改进萤火虫算法的SVM核参数选取

支持向量机(SVM)是一种性能优异的机器学习算法,其核函数参数的选取对于建模精度以及泛化能力有着重要的影响。提出一种基于改进萤火虫算法的SVM核函数参数选取方法,通过改进萤火虫位置更新公式并在移动过程中引入亮度特征从而确定最佳的SVM核函数参数。实验表明,该算法选取的SVM核函数参数在保证分类器收敛性能的同时,提高了分类精度,取得了良好的优化效果。     

基于DCAE-SVM的变压器故障诊断

为了充分利用变压器油中溶解气体含量的特征信息,提高故障诊断准确率,提出基于深度收缩自编码器(DCAE)与支持向量机(SVM)相结合的故障诊断方法.使用无标签样本数据对收缩自编码器进行逐层训练学习,获取到高层特征表示并确定网络结构参数;通过用有标签样本数据对DCAE-SVM网络进行微调,确定最优网络参数并完成故障诊断.实验结果表明,该混合模型故障诊断精度较高、鲁棒性强.     

基于智能agent的故障诊断系统研究

首先指明了目前一般故障诊断系统的不足,在说明现代故障诊断系统应具有的特点的基础上提出了基于智能agent的故障诊断系统.从而构造出分布式、开放的、资源共享的诊断系统.从最大程度上解决故障诊断系统的通用性和高效性之间的矛盾.     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。