超声检测信号多特征SVM-Bayes融合识别

分析了超声检测信号识别中存在的问题。研究了将支持向量机和贝叶斯推理相结合的多特征融合识别算法。阐述了支持向量机解决分类问题的原理以及贝叶斯推理原理。设计了基于最大后验概率准则的多缺陷类型多特征SVM-Bayes融合识别方法。介绍了四种不同的特征提取方法。分别将单特征SVM方法和SVM-Bayes融合方法应用于石油套管缺陷检测信号的识别。对比试验表明：SVM-Bayes融合识别方法能有效识别上述缺陷信号,其在识别率和泛化性方面都比单特征的SVM识别方法有优势。     

支持向量机及在马铃薯分级中的应用

本文针对马铃薯分级手段落后,分级精度不高的问题,研究了采用基于结构风险最小化原理的支持向量机方法对模式类的识别能力,构造了对应的SVM识别过程和算法,该方法易于实现,且能够找到模式间的最优分类超平面,泛化能力明显提高。最后采用两种核函数,将SVM用于马铃薯分级识别以提取马铃薯外部特征与马铃薯级别之间的映射关系,从而实现模糊性的识别。实验结果表明,此方法对解决马铃薯识别问题具有良好的适应性和实用性。     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

组合核函数支持向量机在水中目标识别中的应用

论文研究了支持向量机核函数构成条件以及不同核函数的特性，结合水中目标识别技术特点，提出了一种组合核函数支持向量机的方法。提取了基于小波变换的舰船辐射噪声奇异性、尺度-过零、尺度-能量特征，对水中目标进行了SVM分类识别。研究表明，基于组合核函数的支持向量机分类识别效果优于单独核函数的支持向量机识别效果。     

基于复小波变换和支持向量机的缺陷类型识别

 针对传统缺陷检测存在的工序繁琐、不易在线实施、准确率低、容易受人为因素影响,以及用人工神经网络对小样本事件进行缺陷类型识别时存在泛化能力差和过学习等问题,提出一种基于复小波变换和支持向量机（SVM）模式识别理论的缺陷类型识别新方法．在利用小波对超声缺陷回波信号进行消噪的基础上,采用复小波变换获得缺陷回波信号的包络并提取其特征参数,构成输入特征向量后运用支持向量机进行分类．实验结果表明,该方法具有识别准确率高、泛化能力强、容易实现在线处理等优点．     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

小波包分形与支持向量机在水声目标识别中的应用研究

水声目标分类识别是公认的水声信号处理难题,船舶辐射噪声是一种非线性非平稳信号,具有一定的混沌特性,更好地认识船舶辐射噪声的非线性性质,有助于更好地寻找有效的水声目标检测及识别算法。为了解决水声目标的分类识别问题,提出了利用小波包分形和支持向量机组合进行水声目标识别。利用小波包分解得到目标辐射噪声不同频带内信号分形维数作为特征矢量,并输入到支持向量机实现目标分类,实验结果表明,小波包分形和支持向量机的结合有比较好的分类识别效果,有一定的实际应用价值。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

基于支持向量机的油封缺陷图像检测方法

提出一种基于支持向量机分类的油封缺陷图像检测方法,把油封外观中的有无缺陷看作两种不同的类别模式,应用支持向量机对两类不同的样本采样学习,然后进行分类判断。采集油封各部位图像并进行预处理,利用算法切割出各个检测区域图像,根据油封主要部位的各类缺陷特点,选取不同特征参数。应用径向基核函数建立支持向量机识别模型,并通过实验实现核函数参数寻优。实验结果表明,该方法具有检测成本低、可靠性高、泛化能力强、容易在线实施等特点,具有实用推广价值。     

基于RQA与SVM的声发射信号检测识别方法

针对裂纹声发射信号检测问题,提出基于递归定量分析与支持向量机相结合的新型检测方法。利用小波阈值去噪原理,对采集的声发射信号进行去噪,将递归定量分析引入声发射信号检测,提取递归定量分析的量化特征参数,结合支持向量机对模拟裂纹声发射信号进行识别。并实验验证该方法的可行性。     

使用支持向量机的纹理识别方法

将支持向量机应用到纹理识别领域,提出了一种基于支持向量机和小波变换的新型纹理识别方法。该方法用小波变换各子带图像共生矩阵参数、分析窗口大小、像素均值和像素标准差等参数作为纹理特征,解决了描述不同尺度纹理的难题。以多类支持向量机作为分类器,用输出纠错码把二分类器扩展到多类,提高了分类器的泛化能力。在包含25类单色自然纹理的图像库上进行识别试验,结果表明,该方法识别错误率小于10%,识别正确率比传统的贝叶斯等方法提高了2%左右,获得了更高的识别正确率,且推广性更好。     

支持向量机应用于语音情感识别的研究

为了有效识别包含在语音信号中情感信息的类型,提出一种将支持向量机应用于语音情感识别的新方法。利用支持向量机把提取的韵律情感特征数据映射到高维空间,从而构建最优分类超平面实现对汉语普通话中生气、高兴、悲伤、惊奇4种主要情感类型的识别。计算机仿真实验结果表明,与已有的多种语音情感识别方法相比,支持向量机对情感识别取得的识别效果优于其他方法。     

基于EEMD-SVM的刀具磨损状态研究

针对刀具磨损监测中信号的非平稳特性和小样本建模中神经网络容易陷入局部值的问题,提出基于多传感器信号,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)相结合的算法,实现对刀具磨损多状态的识别。首先对振动信号进行集合经验模态分解,将其分解为若干个本征模态函数(intrinsic mode function,IMF)之和,然后计算得到三向切削力信号的均值和各本征模态函数分量的能量百分比值作为磨损状态分类特征,最后运用支持向量机和Elman神经网络对刀具在不同磨损状态下的特征数据样本进行训练和识别。实验结果证明该方法能很好地实现对刀具磨损状态的识别,与Elman神经网络相比,支持向量机具有更高的识别率,更适合小样本情况下刀具磨损状态的分类识别。     

面向阀门内漏声发射检测的支持向量机分类建模

针对阀门泄漏声发射检测的研究中存在回归建模不准确的问题,综合考虑实际应用需要,开展了阀门液体泄漏的分类建模研究。分析了阀门泄漏声发射的机理和基本特征,建立了阀门泄漏声发射信号特征量与泄漏等级的支持向量机分类模型。在工业生产现场进行阀门泄漏声发射信号采集实验,对采集到的信号进行预处理和特征提取。采用网格搜索法寻找最优训练参数,建立最优的支持向量机分类模型,模型预测结果表明:阀门泄漏预测模型识别准确率在93%以上。     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

一种基于支持向量机分类的瞬态信号检测方法

用支持向量机（Support Vector Machine,SVM）方法对水下运动目标辐射噪声的谱图进行高维空间下的最优划分,实现水下瞬态信号的有效检测。其基本思想是将时频谱图拆分成若干时频细胞单元（Time Frequency Cell,TFC）,选择合适的高斯核向量机,寻找时频细胞单元间的差异性,进而实现对瞬态信号的检测。海试数据处理表明该方法检测瞬态信号的有效性,运算量小且稳健性高;与常规能量检测方法相比,更易确定检测门限,减少虚警。     

基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测

针对刀具磨损过程中产生的非平稳性信号,提出了基于变分模态分解的关联维数及相关向量机的刀具磨损状态监测方法。首先,利用变分模态分解对采集的声发射信号进行分解,获得一系列分量;其中部分分量跟磨损状态相关,部分分量是干扰噪声。为此根据分解后分量与原信号的互信息值提取出敏感分量;利用刀具信号特点确定关联维数的时延参数和嵌入维数,计算敏感分量的关联维数并组成特征向量;最后,将刀具不同状态的特征向量输入相关向量机进行训练与测试,从而实现对刀具磨损状态的监测。实验结果表明,该方法能够有效地识别出刀具磨损过程中不同的工作状态,且分类准确率较经验模态分解好。     

基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

子类独立分量分析在声目标识别中的应用

针对已有的特征提取方法在多目标识别中的不足,提出了基于高阶统计分析的独立分量分析法特征提取方法,通过对多种目标的声音信号进行子类特征提取,并应用决策导向无环图支持向量机实现对多目标的有效分类。结果表明该算法在通过声音信号对多目标识别上,具有很好的应用前景。     

车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。