核极化的特征选择算法在LSSVM中的应用

在分类中,不同的样本特征对准确分类的贡献率大小存在差异,为了解决最小二乘支持向量机的特征选择的问题。在研究多参数高斯核和核极化的基础上,提出了核极化优化多参数高斯核的特征选择LSSVM算法。首先,利用核极化最大化来优化多参数高斯核中的多参数,进而,判断出样本不同特征的重要性权重大小,然后,按特征重要性程度从大到小的顺序,依次添加一个特征到LSSVM中训练和预测。从UCI数据库选取出的数据集上的实验仿真结果验证了所提算法的有效性,在实际应用中,可以用样本中几个重要特征来预测样本以便提高预测效率,而且,LSSVM和SVM在所有特征上的实验结果说明了采用核极化的特征选择算法在LSSVM应用的高效性。     

核极化的核参数选择算法

对支持向量机中核函数的核参数选择问题进行了研究,在深入分析核极化这一核函数度量标准的前提下,提出了一种直接最大化核极化的Gaussian核和Polynomial核的核参数选择算法。首先,设置核参数的搜寻范围,然后,计算在特定核参数下的核极化值,最后,选择出最佳的核参数值进行训练和测试。相比于传统经典的10折交叉验证,该算法无须反复训练和测试分类器,能高效地实现核参数的选择。UCI数据集的实验结果表明了所提出的最大化核极化与核参数选择算法在多分类中具有较好的泛化性能和预测精度,验证了该方法的有效性。     

EMPE和KP-KELM在行星齿轮箱故障诊断中的应用

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。     

基于SVM参数优化的模拟电路故障诊断

目前SVM核参数的选择是SVM实际应用的难点。通过分析SVM分类器原理,提出一种基于数据最大方差-熵准则的SVM核参数选择算法。该算法利用最大方差-熵准则衡量样本在特征空间中的线性可分性,然后结合PSO算法进行参数寻优,并将其用于双二次滤波电路的故障诊断中,优选得到的核参数提高了故障诊断的精度。     

核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

基于人工蜂群算法的KPCA特征优化提取

采用KPCA进行特征提取时,其核函数参数对轴承故障特征的可分性影响很大,直接影响轴承故障诊断的准确率,而使最优的核参数难以选取。针对这一问题,采用人工蜂群算法与KPCA相结合,提出了基于人工蜂群算法的KPCA核参数优化选取方法,并实现了滚动轴承故障特征的优化提取。试验结果表明,该方法能够最大程度提高故障样本的可分性和SVM模型的分类精度;同时通过对比分析遗传算法、粒子群算法及人工蜂群算法的优化结果,验证了该方法具有更好的寻优能力。     

滚动轴承故障小波核函数SVM分类识别研究

支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。     

基于随机森林和量子粒子群优化的SVM算法

特征属性过多及内部参数的优选是影响支持向量机(SVM)模型泛化能力的重要因素，针对以上两个问题，为了提高SVM模型的泛化能力和分类精度，将随机森林(RF)算法和量子粒子群优化(QPSO)算法结合优化SVM模型的核函数参数和惩罚因子。首先利用RF算法计算出每个特征的重要性，通过特征选择筛选出重要性高的特征作为特征子集；再利用QPSO算法的全局搜索能力寻找出SVM模型的最优核函数参数和惩罚因子，最后将最优参数应用于SVM模型中进行分类预测。实验仿真结果表明，与其他机器学习算法相比，所提模型具有较高的训练精度和预测精度，也证实了该模型具有较好的鲁棒性和泛化性能。     

基于核函数估计的转子故障诊断方法

研究核函数估计方法(KFA)在机械故障诊断中的应用问题,提出一种基于特征样本选择的转子故障模式分类方法。通过计算转子振动信号原始特征空间的内积核函数,将所有原始特征样本映射到高维特征空间,在高维空间中选择特征样本对转子裂纹、转子不平衡及转子碰摩三种故障模式进行分类识别,选择的特征样本远小于样本集中全体样本的数目,提高了运算速度。比较了KFA分类方法与支持矢量机(SVM)分类方法的效果,结果表明,在保证分类精度的条件下,KFA方法可以明显减少运算量,性能更优越。     

基于PSO改进KPCA-SVM的故障监测和诊断方法研究

针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)算法优化核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T~2和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。     

KNX总线通信内核研究与开发

随着楼宇自动化技术的不断发展,控制设备之间传递的信息量日益增加,对互操作性也提出了更高的需求,亟待建立开放而统一的通信标准。KNX作为新一代现场总线技术凭借良好的互操作性和开放性、简单而成熟的通信机制以及支持多种通信介质等方面优势,在建筑设备自动监控领域取得了广泛应用。本文在深入研究KNX通信协议模型及信息交换规则的基础之上,分别以ATMega32为通信控制器、以FZEl066为收发控制器,设计了KNX通信内核的硬件平台,并在此平台上构建了KNX通信内核的软件体系,主要包括通信、管理、应用及其他辅助模块,实现了接收和发送KNX总线报文、装配和分解报文信息以及与上位机管理相关的应用服务。     

Kernel模式与虚拟设备

由于Windows操作系统不允许直接访问硬件,给图像的实时采集、存储、显示等处理工作带来了很大困难。本文提出在Kernel模式下采用编制虚拟设备驱动程序的方法,对于图像处理工作所要求的实时性及同步性在软件方面提出了一种解决方案。     

抽样改进加权核大数据谱聚类算法

经典谱聚类算法将数据聚类转为图划分问题,在分析其Normalized Cut函数与传统加权核k-means等价基础上,设计了一种基于抽样改进加权核k-means算法的大规模数据集谱聚类算法,算法通过加权核k-means迭代优化避免Laplacian矩阵特征分解的大量资源占用,通过随机映射得到近似奇异值分解,并由近似奇异向量确定各点数据权重及抽样概率,以此得到快速合理抽样,通过数据抽样并将聚类中心约束到抽样点生成的子空间中,避免全部核矩阵的使用,从而降低经典算法的时间空间复杂度。实验结果表明,改进算法在保持与经典算法相近精度基础上,大幅提高了聚类效率,实验验证了改进算法的有效性。     

结构动力学模型确认问题的核密度估计方法

将核密度估计方法成功用于解决结构动力学模型确认的挑战问题,进一步明确模型确认在结构动力学中的实施过程。在美国圣地亚国家实验室提出的结构动力学模型确认挑战问题中,由于子结构与整体结构的弱非线性连接以及子结构个体差异引起的统计特性并不满足标准的概率分布,因此采用核密度估计方法建立子结构的概率模型,并使用核主元分析进行降维处理来提高核密度估计的计算效率;在子结构概率模型的基础上,使用校准试验数据对模型的准确度进行定性验证,同时使用确认试验数据对模型的精度进行定量评估;最后把确认过的子结构模型用于整体认证结构的评估以及最后目标模型的预测中,得到了与其他研究者相一致的结果。研究表明核密度估计方法是一种解决结构动力学模型确认问题的有效方法。     

基于核算法的智能故障诊断方法研究

随着设备复杂性程度的提高,最终导致在设备的故障诊断中越来越多地采用智能方法.为此介绍了几种基于核算法智能故障诊断方法和几种预测模型,并提出一种新的在线故障诊断方法.     

基于KPCA的SBR过程监视

序批式反应器生化污水处理系统（SBR）具有复杂的生化反应机理，其固有的严重非线性、持续时间有限、非稳态运行等给其过程监视带来特殊困难。核主元分析（KPCA）方法通过集成算子与非线性核函数计算高维特性空间的主元成分，有效捕捉过程变量中的非线性关系。将KPCA技巧应用到序批式反应器生化污水处理系统，建立了基于KPCA的SBR污水处理过程在线监视策略。在监视暴风雨事件等典型的SBR过程异常状态时，统计指标变化灵敏，诊断及时。与线性PCA相比，显示出更高的过程监视性能。     

Kernel software for efficiently building, re-configuring, and distributing an open CNC controller

Several open control architectures have been proposed to enable the incorporation of new technologies into existing CNC controllers. However, complex interfaces and communications among heterogeneous hardware and software platforms have yet to be resolved to reduce development time and cost. We propose a piece of kernel software that facilitates the development, reconfiguration, and distribution of CNC controllers. Assuming that various CNC control functions can be implemented and represented as software modules, the kernel software, acting as middleware, provides bridges between the software modules and the CNC machine by using the process and resource models. A resource model is created for each software module in order to represent its interface specification. A process model is used to represent the invocation sequence of software modules for a particular task received from the operators or other controllers. Based on the implementation of a prototype system, initial results look quite promising. The successful development of the kernel software will reduce the time and cost incurred in the development or modification of an open CNC controller .     

Kernel regression residual decomposition-based synchroextracting transform to detect faults in mechanical systems

The raw vibration signal of a faulty mechanical component carries a large amount of information reflecting its health condition, and the faulty information is typically carried by the high-frequency term in the vibration signal. However, the high-frequency term can easily by overwhelmed by the interference from the low-frequency term and noise. Considering the elimination of interference of the low-frequency term a novel preprocessing technique is presented, one-level kernel regression residual decomposition (KRRD), which can be used to extract the high-frequency term from the raw vibration signal to track the fault information. Combined with the synchroextracting transform (SET) technique, a one-level KRRD-based SET method is proposed. First, the high-frequency term in the raw vibration signal, which contains the faulty information, is extracted using one-level KRRD. Then, the high-frequency term is purified using SET, and the signal-to-noise ratio (SNR) is increased. Finally, a Hilbert envelope analysis is applied to the purified signal to demodulate the faulty feature frequency. To validate the performance and necessity of the proposed method, numerical simulations and experimental investigations are conducted. By introducing two commonly used methods, i.e., empirical mode decomposition (EMD) and variational mode decomposition (VMD), four comparisons (KRRD & EMD, KRRD & VMD, EMD, VMD) are conducted, and the superiority of the proposed method is verified. The analysis results show the effectiveness of the one-level KRRD-based SET method for the detection of mechanical component faults