基于小波支持向量机的数字通信信号调制识别

通信信号自动调制识别在电子战、电子侦察中起着重要的作用。通信信号调制识别的任务是确定信号的调制类型和参数。支持向量机是一种新的通用机器学习方法,这种方法被广泛地应用在模式识别、回归估计和概率密度函数估计中。本文在详细分析了数字调制信号的特点以及小波变换提取瞬态特征原理的基础上,提出了一种利用小波变换支持向量机对数字调制信号进行识别的新方法。该方法通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,通过构建最优分类面,即可以用支持向量机对数字调制信号进行分类。计算机仿真结果验证了该方法在不同信噪比条件下具有良好的性能。     

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。     

基于IAFSA-SVM的岸电箱断路器故障诊断

断路器的故障诊断对岸电系统的稳定运行有重要意义。针对人工鱼群算法和其他智能算法在优化支持向量机参数时,存在易陷入局部最优、泛化能力差等问题,通过自适应调整步长和引入全局随机行为,提出基于改进人工鱼群算法优化支持向量机参数的故障诊断模型。将断路器合闸线圈电流信号中的时间和电流信号作为特征量,采用改进人工鱼群算法对支持向量机的参数寻优,以提升支持向量机的故障分类性能。仿真结果显示,该算法在样本数量小的情况下仍具有良好的分类性能,能够准确对断路器进行故障分类。     

谷物干燥过程模糊支持向量机控制器的设计

为了准确控制谷物干燥过程的温度和湿度,设计了一种基于改进遗传算法和最小二乘算法的干燥过程模糊支持向量机控制器。利用模糊算法解除温湿度的耦合作用,采用支持向量机实现模糊逻辑控制的全过程和信号的非线线处理,同时采用混合学习算法优化控制器参数,即先采用最小二乘算法离线优化支持向量机性能参数,再采用改进遗传算法在线优化支持向量机性能参数和模糊比例因子,以使其控制性能适应对象的变化而达到最优。仿真结果表明,设计的模糊支持向量机控制器比常规PID控制器和经典模糊控制器具有更好的控制性能,能够满足谷物干燥工艺要求。     

利用粒子群优化最小二乘支持向量机诊断H桥功率模块IGBT故障

为了提高H桥功率模块中IGBT故障诊断的准确性,提出将粒子群优化最小二乘支持向量机用于H桥功率模块中IGBT故障诊断。分析了功率模块中可供采集的信号,将H桥直流侧电容电压作为故障的原始信号。通过小波多分辨率提取故障特征。采用粒子群算法优化最小二乘支持向量机中的核函数和正则化参数。通过仿真实验表明,粒子群优化最小二乘支持向量与默认参数最小二乘支持向量机、粒子群优化支持向量机和遗传算法优化最小二乘支持向量机相比,诊断准确率高和诊断时间短等优点,具有很好的实用性。     

基于Root-MUSIC和支持向量机的间谐波参数估计

为准确地检测电力系统中间谐波信号的参数,提出基于求根多重信号分类法(Root-MUSIC)和支持向量机(SVM)的间谐波参数估计方法。首先对采样数据构成的自相关矩阵进行特征分解,利用信号子空间和噪声子空间的正交性求得谐波和间谐波的个数及频率;然后通过支持向量机算法对间谐波信号的幅值和相位进行回归估计。Matlab仿真结果表明:该算法在低信噪比下频率估计准确,利用支持向量机在处理小样本数据上的优势,有效的提高了幅值和相位估计的精度。     

基于振动信号EMD分解与支持向量机的有载分接开关机械故障诊断

本文中作者将经验模态分解与支持向量机算法引入到有载分接开关机械故障识别领域。通过对有载分接开关振动信号进行经验模态分解,并选取前5个本征模态函数的能量作为输入特征参量,利用支持向量机算法对有载分接开关弹簧储能不足、触头松动、触头磨损3种机械故障进行了识别,同时比较了不同核函数对支持向量机分类结果的影响。     

最小二乘小波支持向量机在非线性控制中的应用

结合小波技术和支持向量机,提出了一种基于多维允许小波核的最小二乘小波支持向量机,其小波核函数具有近似正交和适用于信号局部分析的特点。同时,给出了一种有效求解最小二乘小波支持向量机的Cholesky分解算法。将最小二乘小波支持向量机应用在非线性系统的自适应控制上,仿真结果表明,与最小二乘支持向量机、多层前向神经网络或模糊逻辑系统相比,最小二乘小波支持向量机均能给出较好的性能,显示出快速而稳定的学习速度,而且在相同条件下,最小二乘小波支持向量机比最小二乘支持向量机的逼近精确度提高了一个数量级。所提出的用于非线性动态系统自适应控制的最小二乘小波支持向量机方法具有效性和实用性。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

基于K-L特征提取与支持向量机的油浸式变压器故障诊断模型研究

针对变压器多故障问题,提出了基于Mercer核函数的欧式距离查询策略算法,并建立了基于Karhunen-Loeve(K-L)特征提取与支持向量机的变压器故障诊断模型,利用K-L变换提取信号的特征值,最后通过支持向量机学习算法完成对信号的选择与分类。通过实例应用表明:所训练的SVM分类器较之直接任意选取训练样本作为训练集的传统方法具有更高的诊断率。     

SVM与Fourier算法在电网短期负荷预测中的应用

将Fourier(傅立叶)算法与SVM(支持向量机)共同引入电网短期负荷预测。对于波动性较大的负荷,Fourier算法用于滤除高次谐波分量。SVM用于对滤除了高次分量的数据进行统计学习,它首先筛选与预测点相关的历史数据构成训练样本,再将预测的平滑性和误差损失函数相结合构成问题的目标函数进行求解。编制了相应的软件,对某实际电网进行了短期负荷预测,取得了理想的结果。     

多电平通用空间矢量调制集成电路及其FPGA实现

提出一种多电平变流器空间矢量控制(space vector modulation,SVM)集成电路(integrated circuit,IC)的设计方法。所提出的多电平SVM IC是建立在参考电压分解的通用多电平SVM算法的基础上,适用于任何电平数目的多电平变流器。采用可编程逻辑门阵列(field-programmable gate array,FPGA)实现所提出的多电平SVM IC。基于FPGA的多电平SVM IC具有高速的处理能力,在数字控制器中专门用于脉冲信号的发生,可解决多电平SVM算法占用数字信号处理器(digital signal processor,DSP)计算资源过多的问题,并可实现较高的开关频率。并且采用所提出的多电平SVM IC可大大加速产品的开发周期。通过在1台9电平级联式变流器上的试验结果对所提出的多电平SVM IC进行验证。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。     

基于优化概率神经网络的驾驶员疲劳检测

针对驾驶员面部疲劳检测问题，提出了一种基于遗传算法优化概率神经网络(PNN)的驾驶员疲劳检测算法。采用基于HOG特征的人脸检测器检测脸部，使用ERT算法进行关键点定位，计算PERCLOS值、眨眼频率、单位时间内打哈欠的时间占比、点头频率4个疲劳特征参数，将其输入到PNN中进行疲劳判别，并使用遗传算法优化PNN的平滑因子，提高疲劳分类准确率。使用NHTU-DDD数据集和YawDD数据集训练网络，使用自采集样本验证模型泛化性能，实验中与SVM、BP神经网络以及未优化的PNN模型对比，SVM、BP神经网络以及未优化的PNN的准确率分别为95.67%，97.67%，95.33%，所提的优化的PNN模型准确率为98.67%，验证了算法的有效性。     

Comparison of adaptive Neuro-Fuzzy-based space-vector modulation for two-level inverter

Space Vector Modulation (SVM) is an optimal pulse width modulation technique for an inverter used in variable frequency drive applications. This paper proposes a Neuro-Fuzzy based Space Vector Modulation (SVM) technique for voltage source inverter and its performance is compared with the conventional based SVM and Neural Network based SVM methods. This scheme is five-layer network, receives the d-axis and q-axis voltages information at the input side and generates the duty ratios as an output for the inverter circuit. The training data for Neural Network and adaptive Neuro-Fuzzy is generated by simulating the conventional SVM. Neuro-Fuzzy uses the hybrid learning algorithm for training the network. Due to this learning algorithm, the required training error can be obtained with less number of iterations compared to Neural Network. The simulation results obtained are verified experimentally using a DSPACE kit (DS1104). The simulation and experimental waveforms of inverter line–line voltages at different switching frequencies is presented. The Total Harmonic Distortion (THD) of line–line voltage with Neuro-Fuzzy, Neural Network and conventional based SVM methods for various switching frequencies are presented.     

基于小波变换和支持向量机的电力系统短期负荷预测

提出一种改进的基于离散小波变换和支持向量机的短期负荷预测方法.运用离散小波变换将负荷时间序列分解为高低频子序列,采用目前较为成熟的支持向量机方法,选择适当的参数对每个序列进行滚动式的单支预测,最后将各分支预测结果相加最终实现负荷预测.实例中负荷数据采用四川省某地区的历史负荷,对该地区的日96点负荷进行全年预测,并将该算法与支持向量机算法进行比较,结果表明,该算法具有较高预测精确性.     

基于支持向量机和小波包能量特征的气液两相流流型识别方法

支持向量机（SVM）是一种基于统计学习理论（SLT）的机器学习算法,它能在训练样本很少的情况下得到很好的分类效果,从而为流型识别技术向智能化发展提供了新的途径.该文提出了应用支持向量机和小波包能量特征的流型识别方法.将压差波动信号小波包分解后的频带能量作为支持向量机的输入特征向量,并对水平管内空气-水两相流的流型进行了识别.试验结果表明：与BP神经网络相比,采用支持向量机进行流型识别可以获得更高的识别率,表明该方法是有效、可行的.     

三电平PWM整流器定频直接功率控制技术研究

直接功率控制(DPC)具有响应快、算法简单的特点.传统的DPC采用bang-bang控制,存在开关频率不固定等缺点,将DPC控制与空间矢量脉宽调制(SVM)算法的思想相结合,两者的优势互补,同时克服了传统DPC开关频率不固定的缺点.利用矢量控制中SVM技术,实现了动态过程中有功功率和无功功率的解耦控制,相对于传统的DP...     

A neural-network-based space-vector PWM controller for voltage-fed inverter induction motor drive

A neural-network-based implementation of space-vector modulation (SVM) of a voltage-fed inverter has been proposed in this paper that fully covers the undermodulation and overmodulation regions linearly extending operation smoothly up to square wave. A neural network has the advantage of very fast implementation of an SVM algorithm that can increase the converter switching frequency, particularly when a dedicated application-specific integrated circuit chip is used in the modulator. The scheme has been fully implemented and extensively evaluated in a V/Hz-controlled 5 hp, 60 Hz, 230 V induction motor drive. The performances of the drive with artificial-neural-network-based SVM are excellent. The scheme can be easily extended to a vector-controlled drive.     

基于小波近似熵的串联电弧故障识别方法

根据UL1699标准搭建了串联电弧故障发生装置,并针对不同类型负载进行实验,获得了供电线路正常工作状态和发生电弧故障状态时的电流信号实验数据。应用小波变换对电流信号进行分解重构,通过近似熵(Ap En)算法对分解重构后各频段信号的不规则程度进行量化,得到电流信号的特征向量,并将其输入到支持向量机(SVM)。通过SVM对电流信号特征向量进行分类,完成电弧故障的检测识别。结果表明,通过小波近似熵算法得到的电弧故障特征向量能够作为诊断识别电弧故障的有效依据。