基于模糊K近邻决策的柔性SVM分类算法

当海量样本之间相互混迭时,支持向量数目急剧增加,导致训练难度增大的同时SVM分类器性能明显下降.针对该问题,在此构造模糊KNN决策与支持向量机相结合的新的柔性SVM分类器.它先建立所有训练样本的类间最近邻距离,根据各个训练数据的类间最近邻距离进行升序排列;然后根据模糊k近邻分析结果对训练样本集进行修剪,在剩余空间中选择合适规模的样本子空间进行SVM训练.在分类阶段,首先计算待识别样本和SVM超平面的距离,如果距离大于某一设定门限,直接利用SVM进行分类,否则带入到所有支持向量与修剪样本合成的模糊KNN分类器中进行分类判决.对比实验结果表明,提出的算法无论是训练速度还是分类精度都远远好于单独的SVM分类器.     

基于支持向量机的计算机蠕虫病毒检测方法

为防止计算机蠕虫病毒造成的巨大破坏,以计算机性能参数作为原始数据训练集,利用支持向量机分类器进行数据挖掘,建立了网络蠕虫病毒检测模型,在蠕虫大规模侵染网络之前发起网络预警,减小了蠕虫爆发引起的损失.在模拟计算机的常用网络结构下,通过采样主机不同工作状态下的系统特征计数器形成训练数据集,在进行特征提取后,利用支持向量机分类器实现了判决规则的产生和分类决策,并在模拟搭建的局域网络上进行了验证测试.测试结果表明,检测模型对未知网络蠕虫有很高的判决准确率,说明了基于支持向量机(SVM)分类算法的检测方法适合小样本的分类判决,并有着很强的实用性.     

基于类间可分性度量和SVM的多故障分类算法

由于基于支持向量机(Support Vector Mechine,简称SVM)的多类分类算法的分类器结构对故障分类效果有直接影响,首先提出一种在高维特征空间基于核函数的J<,b>*/J<,w>*类间可分性度量准则,然后根据可分性度量结果用min-max原则来构造支持向量机分类器结构.通过对滚动轴承4类故障测试样本的分类试验结果表明,采用该方法构建的分类器其分类效果明显优于任意确定的二叉树结构分类器,有更高的故障识别率.     

基于支持向量机与最近邻分类器的模拟电路故障诊断新策略

针对模拟电路的故障诊断和定位问题,提出了一种基于支持向量机分类器(SVC)和最近邻分类器(NNs)的模拟电路故障诊断新策略,利用SVC解决高维故障样本的分类问题,而采用NNs解决故障样本间的重叠问题。首先建立"1-v-r"结构的SVC对电路故障样本进行训练,并根据训练参数构建故障字典;其次,在测试阶段,根据算法决定利用SVC或NNs对未知样本进行测试。本文设计的故障分类器方法简单,结构确定,通过对两个模拟电路的实验表明,所提出的方法性能要优于常规的"1-v-r"支持向量机分类器;与"1-v-1"支持向量机分类器的诊断性能较为接近,但测试时间较后者显著减少,较为适合模拟电路的故障诊断。     

采用SVM的磨粒分类识别方法研究

为克服传统磨粒识别分类器训练时需要大量特征样本的缺点,设计一种基于多元支持向量机(Multi-Support Vector Machine,Multi-SVM)的磨粒识别分类器.支持向量机(SVM)是一种新的机器学习方法,在小样本和高维二元分类方面有非常突出的优点.实验证明,依据此优点设计的多元支持向量机磨粒分类器模型,不仅可以在小样本情形下对模型进行快速训练,而且可以快速识别多种磨粒类型,同时识别率也比传统的神经网络方法有较大提高,从而达到了提高设备监测和故障诊断效率的目的.     

基于快速可拒识-双层支持向量分类器的微钙化点的检测算法

为克服微钙化点检测中假阳性高的缺点，本文构造了一种带拒识能力的双层支持向量模型分类器用于钙化点检测。对于输入模式，首先利用基于最大间隔超平面的支持向量分类器（SVM）进行分类判决；然后对真实的钙化点样本特征空间求取最小包含球形的边界，得到钙化点样本的球形支持向量域表示（SVDD），对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理；最后利用SVM与SVDD两个分类器的结果进行综合判决。无论是第一层的求取最优分类超平面，还是第二层的边界优化训练，都根据各个训练数据的类间最近邻距离进行排序操作，选择合适的训练样本子空间进行SVM和SVDD训练。仿真实验结果表明，本文提出的算法在不影响微钙化点检出率的情况下，可以部分解决钙化点检测中假阳性高的问题。     

小波包分析和支持向量机在刀具故障诊断中的应用

利用小波包分析技术适于对非平稳信号进行特征提取和支持向量机在小样本情况下具有较强分类能力的特点,提出了一种基于小波包分析和支持向量机相结合进行刀具切削故障诊断的方法.该方法采用小波包分析对其提取特征向量,利用支持向量机故障分类器实现对刀具切削故障分类.试验结果表明,小波包分析和支持向量机能对刀具故障进行有效诊断,故障预报正确率为90%.     

基于支持向量机的多故障分类器及应用

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题 ,本文改进了支持向量机多故障分类算法 ,依据此算法建立了多故障分类器 ,并应用于汽轮发电机组的故障诊断。应用结果表明 ,不必进行信号预处理以提取特征量 ,只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断 ,并且具有算法简单、可对故障在线分类和故障分类能力强的优点     

基于支持向量机的无穷维AdaBoost算法及其应用

AdaBoost算法能够集成比随机猜测略好的弱分类器,输出较高分类精度的强分类器。为了进一步提高AdaBoost算法的分类精度,建立了一种基于支持向量机的无穷维AdaBoost算法,实现无穷维AdaBoost算法的关键是建立一个新的支持向量机核函数,使此核函数集成无穷多个AdaBoost算法弱分类器。将无穷维AdaBoost算法用于模拟电路故障诊断,故障诊断结果表明:无穷维AdaBoost算法分类精度优于有限维AdaBoost算法,提高了AdaBoost算法的分类精度。     

基于支持向量机的磨粒铁谱识别系统

提出了一个基于支持向量机的磨粒模式识别系统。该系统先对磨粒的铁谱分析图像进行预处理,然后提取特征参数,最后利用支持向量机对磨粒所属的类型进行分类。     

基于支持向量机模糊推理的二级倒立摆控制

本文提出了一种用于非线性系统控制的支持向量机模糊推理模型.该模型利用支持向量机回归的原理,从训练数据中提取模糊规则并进行简化;采用核函数来描述模糊推理系统,该模糊推理系统具有不必事先确定模糊规则数目、良好的泛化能力等优点.使用该模型对直线二级倒立摆系统构造模糊控制器并进行了实验研究,研究结果表明这种新的模糊规则提取方法对于非线性系统的控制是有效的,由支持向量确定的模糊规则不会出现规则数目"爆炸"的问题,该方法在不便事先确定模糊规则的复杂非线性系统控制中有着重要的应用价值.     

基于粗糙集与支持向量机的电动机转子断条故障诊断

提出了一种基于粗糙集与支持向量机的电动机转子断条故障诊断方法。首先将电动机在不同故障状态下的振动信号离散化,再应用粗糙集软件rosetta对数据进行进一步的约简,得到约简后的数据应用于支持向量机的训练从而得到基于支持向量机的多分类器。实验证明:该方法检测电动机的转子断条故障是可行的。     

基于网格支持矢量机的涡轮泵多故障诊断

支持矢量机是一种基于结构风险最小化原则的机器学习方法,对小样本决策具有较好的学习推广性.由于常规支持矢量机算法是从二类分类问题推导得出的,在解决故障诊断这种典型的多类分类问题时存在困难,为此提出一种网络支持矢量机多类分类算法,用每个类别和其他两个至四个类别构造二类支持矢量机分类器.这些二类支持矢量机分类器组合而成的网格式结构多类分类器,具有容易扩展、重复训练样本少、速度快和识别正确率高的优点.将网格式结构多类分类器应用于涡轮泵试验台多故障诊断获得了令人满意的效果.     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于自适应FLSVM的赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型随着时间的推移而出现的模型老化现象,提出一种基于增量学习的自适应模糊支持向量机软测量建模方法.它首先将输入空间中的样本映射到高维特征空间,然后根据样本偏离超平面的程度赋予不同的模糊隶属度,建立模糊支持向量机软测量模型,并在模型投入现场运行后,通过一种改进的增量学习算法在线更新模型参数以自适应获得更加准确的软测量模型.以L-赖氨酸流加发酵过程为例,验证了所提算法能够从过程的第2批次开始对关键生物量参数(菌丝浓度和基质浓度)进行较准确的在线预测,与普通的模糊支持向量机建模方法相比具有较高的预测精度和自适应性.     

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。     

基于可变风险SVM模型的柴油机故障诊断技术

针对传统故障模式识别方法不能区别不同误判所造成损失不同的问题,提出了可变风险支持向量机(SVM)模型,对传统SVM模型的最优分类面进行重新设计,在利用实际数据识别故障的同时融入专家经验,使故障识别结果更具可靠性,该方法已成功应用于柴油机故障诊断.     

基于改进SVM的网络流量分类方法研究

针对网络环境中存在大量噪声和网络流量中存在过多的冗余特征属性,提出了一种具有特征有效度的模糊支持向量机(FW-FSVM),并将FW-FSVM应用于网络流量分类领域。该方法根据不同样本点对分类贡献的大小赋予相应的模糊因子,可以有效地消除噪声对分类精度的影响;同时计算网络流量中各个特征的有效度,消除弱特征属性或冗余特征属性对网络流量分类精度的影响。实验结果表明,FW-FSVM相比于其他网络流量分类方法能有效地提高网络流量分类精度且分类稳定性较高。     

基于WTPCA-MSVMs过程监控方法

提出了基于小波变换主元分析和多支持向量机(wavelet transform PCA-Multiple support vector machines,WTPCA-MSVMs)的过程监控方法,该方法首先利用小波变换(wavelet transform,WT)对采样数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号;然后利用主元分析(principal component analysis,PCA)对预处理后的数据建立主元监控模型;考虑到实际工业过程故障数据的数量较少,而支持向量机(support vector Machine,SVM)在小样本学习方面具有良好的泛化能力的特性,最后提出了基于多支持向量机(multiple support vector machines,MSVMs)的故障诊断方法。对TE(tennessee eastman,TE)过程的监控应用表明了所提出方法的有效性。