基于半监督支持向量机的供电企业安全性评价

为了解决支持向量机(SVM)必须采用标识样本进行训练和支持向量选择困难两个弊端,提出了一种基于模糊C均值(FCM)和支持向量机的半监督支持向量机分类算法(S3VM).为了验证模型的有效性,将该算法应用于供电企业安全性评价.与BP神经网络的分类结果比较表明,该模型在样本较少的条件下,具有较高的分类正确率和很好的推广能力.     

基于Online LS-SVM的钢铁件淬火硬度在线检测

为了实现钢铁件淬火硬度的在线电磁无损检测,提出了在线最小二乘支持向量机（online least square support vector machine）的建模方法。Online LS-SVM是以增量学习训练SVM,以减量学习减少样本数,实现小样本估计的训练方法。实验结果表明,Online LS-SVM不仅能实现钢铁件淬火硬度的在线电磁无损检测,而且具有学习速度快,泛化性能好,对样本依赖程度低的优点。     

复合绝缘子超声波探伤信号识别分类方法研究

超声波检测法广泛地应用于复合绝缘子无损检测中,常规的超声波检测通常依靠经验来判断缺陷类型、缺陷大小及位置,得出的结果往往不准确。为提高复合绝缘子超声波探伤信号的识别能力,研究了两种超声回波信号的智能识别方法,采用BP神经网络和支持向量机等方法对复合绝缘子超声检测信号进行识别分类。结果表明,BP神经网络在小样本下的缺陷识别准确率较低;采用支持向量机对超声回波信号的识别准确率要比BP神经网络的识别准确率高,但在大样本情况下缺陷识别运行时间要比BP神经网络长。     

基于聚类改进S变换与直接支持向量机的电能质量扰动识别

针对电能质量扰动信号的识别问题,提出基于聚类改进S变换与直接支持向量机(SVM)的电能质量扰动识别方法。提出聚类改进S变换方法,该方法结合电能质量扰动信号的特点,可同时对基频的时域分辨率及高频的频域分辨率进行最优化处理,保证特征提取的准确性;将直接支持向量机作为分类器,与最小二乘支持向量机相比,其求解简单,计算复杂度较低,训练与测试速度快,泛化能力较高,并且避免不能保证全局最优解的缺点;将聚类改进S变换与直接支持向量机相结合,应用于单一扰动及混合扰动的识别分类工作。仿真实验验证了所提方法的有效性。     

基于支持向量机的铝板表面缺陷检测分类

论述了基于机器视觉的铝板表面缺陷检测方法,提取7种铝板表面缺陷的多种特征值作为训练数据进行学习。介绍了支持向量机的原理和核函数的选择,在VC环境中构建支持向量机分类模型,用该模型对铝板表面缺陷进行分类标识,最后对支持向量机分类器的分类准确性、稳健性作出评价。     

基于DBN和LSSVM的管道气体压力检测方法研究

针对当前管道气体压力无损检测困难的问题,结合超声波反射测压原理,提出了深度置信网络(DBN)提取超声回波幅 值特征的最小二乘法支持向量机(LSSVM)管道气体压力检测方法。 首先,通过 DBN 网络中的受限玻尔兹曼机(RBM)无监督 逐层学习提取特征;其次,通过标签层进行有监督的误差反向传播调节优化 DBN 各层 RBM 参数;最后,将优化后 DBN 网络提 取到的特征信号输入训练好的 LSSVM 完成气体压力的识别。 设计相关实验得到超声波数据进行模型测试,结果表明,DBNLSSVM 压力识别模型的压力识别平均相对误差为 0. 635 7%,低于 DBN-BP 模型的平均相对误差(1. 802 6%),能够较好地完成 对管道气体的压力检测工作。     

基于1-DISVM的无刷直流电动机故障识别方法

提出一种基于改进无监督学习支持向量机(1-DISVM)的无刷直流电动机故障识别方法.通过对无刷直流电动机正常以及驱动电路开关管断路、定子绕组端部断路、Hall传感器断线三种故障状态的仿真模拟,对仿真过程中得到的母线电流采样数据进行FFT频谱分析,作为输入特征向量用于支持向量机分类器的训练和故障识别.将改进无监督学习支持向量机用于无刷直流电动机的故障识别,并与无监督学习支持向量机(1-SVM)的故障识别结果进行比较,结果表明基于改进无监督学习支持向量机的无刷直流电动机故障识别方法具有更高的准确率.     

脑机接口中半监督学习算法研究

为提高脑机接口系统分类的正确率,避免大量烦琐枯燥的学习训练过程,提高其适用性,提出一种改进的基于支持向量机的半监督学习算法。该算法针对在线采集的脑电数据,根据支持向量机判别函数处理未标签样本,调整分类器训练集,同时动态调整支持向量机中惩罚因子C的值,提高了分类器性能。实例分析表明该算法比传统半监督学习算法更适用于脑电信号分类。     

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法.首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播.分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比.仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好.     

基于支持向量机的多传感器地面目标识别的融合研究

针对地面目标识别的复杂№将支持向量机引入地面目标多传感器融合识别中。本文深入研究了支持向量机的基础理论知识;建立了基于支持向量机的地面目标识别的融合模型;通过仿真实验验证了模型的有效性。结果表明：核函数的选取对结果有所影响,但在核函数选择合适的情况下能很好地解决地面目标识别的融合问题。     

基于改进深度信念网络的直流XLPE电缆局部放电模式识别

局部放电检测是评估电气设备运行状态的重要手段,然而现阶段关于直流交联聚乙烯(XLPE)电缆局部放电模式识别技术的研究尚在起步阶段。针对直流XLPE电缆的常见绝缘缺陷及局部放电特点,设计了4种缺陷模型并搭建实验平台采集局部放电信号,以局部放电脉冲波形为样本,研究了基于自适应矩估计优化算法改进深度信念网络的直流电缆局部放电模式识别方法。实验对比了深度信念网络模型与基于时频特征分类方法的识别效果,分析了识别方法对各类缺陷的适用性和训练样本容量对识别模型的影响。实验结果表明:基于改进深度信念网络的识别方法能深入挖掘局放脉冲的有效特征,识别准确率高于基于时频特征的支持向量机、BPNN神经网络分类方法,且对4类缺陷均具有良好的识别效果,识别准确率随训练样本容量的增多得到较大的提升。     

基于太赫兹光谱和APSO-SVM的转基因棉籽识别方法

针对目前转基因产品检测是基于可见光/近红外光谱,在支持向量机建模中参数难以确定及光谱数据计算量过大的问题,提出了一种基于太赫兹光谱和自适应动态粒子群优化的支持向量机算法,以实现对转基因棉种子的分类判别。为实现转基因棉种子的分类识别,在波长150μm~3 mm采集3种最新转基因棉种子165个样本的太赫兹光谱,并用基于自适应动态粒子群优化的支持向量机对165个转基因棉种子进行识别。实验结果表明,综合识别率达到97.3%,太赫兹光谱结合自适应动态粒子群支持向量机可为转基因棉种子类型辨别提供一种快速、精确、简便、无损的检测方法。     

一种基于监督学习的输电线监测中杆塔的检测方法

为保证电力可靠配送,输电线路需要定期巡检,目前研究聚焦于自动检测输电线路,如检测杆塔,检查输电线缺陷损伤或分析安全距离等。对此提出一种基于监督学习来自动检测杆塔的方法,该方法利用方向梯度直方图特征训练支持向量机,从而支持向量机分类器,可将杆塔从背影中分离出来。试验结果证明,这种监督学习方法检测杆塔有效且高效。     

一种新的电压暂降事故源识别方法研究

电压暂降发生频率高、影响范围广、造成危害大。针对电力监测系统中带有事故源信息的电压暂降监测数据非常有限且不易获得的问题,提出了一种基于半监督支持向量机的电压暂降源识别方法。分析了各种电压暂降事故源,利用短时傅里叶变换(STFT)对电压暂降信号进行时频分析,提取出各类暂降特性参数,运用半监督支持向量机对其进行训练与识别,实现在少量带事故源标签电压暂降监测数据下电压暂降源的可靠识别。算例结果显示,在少量标签数据下半监督支持向量机比传统支持向量机具有更高的暂降源识别精度。     

基于 MIC 心率变异性特征选择的情感识别研究

心率变异性分析能够在情感识别中发挥重要作用,为了建立心电与情感类别之间的精准模型,提出了基于最大信息系 数(maximal information coefficient,MIC)的特征选择方法。 使用 Aubt 数据库和设计情感诱发实验进行研究,首先提取了心率变 异性时域、频域、非线性及时频域 40 个特征参数,然后基于 MIC 方法结合支持向量机、随机森林、K 近邻算法进行情感建模。 结 果显示,基于 MIC 特征选择方法,使用 Aubt 数据库针对唤醒度、效价、4 类情感的分类准确度分别为 90%、89%、84%,并进一步 选用皮尔森相关系数、ANOVA 特征选择方法与 MIC 进行对比;诱发实验数据中的多种一对一情感识别率均高于 75%。 结果表 明基于 MIC 特征选择方法能够显著提高分类准确度,对基于心电信号进行情感识别具有重要意义。     

基于深度学习的天然气管道气体压力 超声检测模式识别方法

针对天然气管道气体压力超声检测模式识别问题,提出了对原始信号进行预处理去除冗余信息,然后对信号进行变分模态分解(variational modal decomposition,VMD)提取最优本征模态函数(intrinsic model functin,IMF)对信号进行重构,接着对处理好的信号进行连续小波变换(continuous wavelet transform,CWT)使其成为高分辨的时频域2维图,最后用深度卷积神经网络(Deep convolution neural network,DCNN)对图片进行特征提取并将部分网络输出和支持向量机(support vector machine,SVM)相连实现有监督的学习和训练并用训练好的支持向量机对剩下的数据进行无监督的模式识别.实验表明,VMD-CNN-SVM模型对压力有无的判别准确率为90.66％,相较于其他方法准确率最高.     

振荡波电压下XLPE电缆局部放电模式识别研究

振荡波电压法因其无损检测特性被广泛应用于局部放电检测中,而目前缺乏对振荡波电压下电缆故障类型的模式识别研究。为此,笔者根据常见的电缆缺陷类型,制作了4种10 kV交联聚乙烯电缆中间接头人工缺陷模型,对4种缺陷模型施加振荡波电压并测量局部放电信号;提出以局部放电信号正负半波统计算子作为模式识别的输入特征量,采用支持向量机分类器对4种典型电缆缺陷进行模式识别;并将识别结果与采用人工神经网络的模式识别结果进行对比,验证了该方法的有效性。结果表明:以局部放电信号正负半波统计算子作为特征量能很好地反映电缆局部放电信息;基于支持向量机的模式识别方法能有效识别出振荡波电压下各种缺陷局部放电模式,比传统的人工神经网络模式识别方法识别率更高、运行速度更快,具有很好的实际应用价值。     

在线递推支持向量机的磁轴承转子位移预测

研究了一种基于在线递推支持向量机的三相交流主动磁轴承转子位移实时预测方法。阐述了算法在线学习原理,建立了转子位移在线预测模型。该模型通过在线学习,形成理想的支持向量机结构,实现等效电流、等效磁链与转子位移的非线性映射,达到磁轴承转子位移的在线预测。仿真和实验结果表明所提算法具备较高的预测精度和较强的适应性。     

小麦不完善粒的高光谱图像检测方法研究

为了实现高光谱图像处理技术对小麦不完善粒的快速准确鉴别,研究了一种基于小麦不完善粒高光谱图像的光谱和图像特征,结合多分类支持向量机的不完善粒的识别方法。实验采集小麦不完善粒的高光谱图像,对图像进行图像增强、阈值分割等处理后,提取7个纹理特征和5个形态特征作为分类器的输入,应用多分类支持向量机分别建立并比较基于光谱特征、基于图像特征以及基于光谱和图像特征组合的不完善粒识别模型的分类精度。基于光谱特征建立的4分类模型总识别率达94.73%,黑胚粒与正常粒的识别率分别为100%、98.63%,效果较好,但虫蚀粒与破损粒的识别精度均低于90%;基于图像特征的不完善粒识别率相对较低;融合光谱与图像特征建立的4分类支持向量机模型总识别率达97.89%,其中虫蚀粒识别率从89.79%提高到95.91%,破损粒识别率从84%提高到94%,识别效果最佳。实验结果表明,高光谱成像技术可以快速、无损鉴别单籽粒小麦不完善粒,该技术在小麦种子质量快速、高通量、无损检测领域具有的应用潜力。     

非铁磁材料的电磁超声接收过程数值模拟及实验研究

针对非铁磁金属板的缺陷检测问题,进行了电磁超声无损检测技术的数值模拟及实验研究。电磁超声换能器工作机理复杂,已有仿真大多是针对发射过程,并且被测体不含缺陷。该文研究建立了超声发射、电磁超声换能器接收的有限元模型,对被测体有无缺陷时线圈接收到的电压信号进行仿真分析。根据发射频率和超声导波的频散特性,设计并制作了回折形线圈,然后研究了线圈导体尺寸及线圈提离对电磁超声换能器性能的影响,并对有无缺陷的铝板进行了实验研究。结果表明:仿真中线圈接收到的电压信号能够反映缺陷的位置,实验结果与仿真结果相吻合。该工作对电磁超声被测试样有无缺陷时接收信号的分析和线圈设计有参考意义。