集成学习在脑机接口分类算法中的研究

提出了一种基于独立分量分析的支持向量机集成学习算法,用于脑机接口中P300字符识别.首先由P300信号分解出独立分量,基于Bagging算法送入支持向量机基分类器进行集成学习,通过平均的方法获得对应类别概率进行分类决策.数据来源于P300字符拼写实验,不同导联和不同序列的分类结果表明,该分类算法学习效率和分类精度高,全...     

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。     

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.     

基于向量机学习算法的多模式分类器的研究及改进

为了提高向量机"一对一"学习算法在多模式识别中的分类效率,对基于支持向量机和相关向量机算法进行多模式分类的方法进行研究,发现比较次数过多是该方法计算量大的主要原因。提出了一种在每轮比较中,排除最差类别的新方法。该方法使比较次数逐级减少,并且当类别数较多时,总计算量减少尤其明显。通过理论分析和对数据分类的实验结果表明,新方法与传统分类器相比,在基本不影响分类正确率的前提下,机器训练与识别次数显著减少,算法运行速度明显提高。     

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.     

基于改进SVM的电力用户异常用电行为检测方法研究

针对现有异常用电行为检测方法提取特征单一、检测精度不高等问题,提出了一种将改进蚁狮优化算法和改进支持向量机相结合用于检测电力用户异常用电行为。采用决策树优化支持向量机转换为多级分类器,通过改进蚁狮优化算法优化支持向量机参数提高训练速度。通过试验对多种异常用电行为进行分析,验证了所提方法的优越性。结果表明,与传统的异常数据检测方法相比,该方法具有更高的检测精度和更低的训练时间。     

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。     

基于支持向量机多分类方法的模拟电路故障诊断研究

基于统计学习理论结构风险最小化原则和VC维理论的支持向量机对小样本决策具有较好的学习推广性。由于基本支持向量机算法最初是针对两分类问题推导出来的,在解决故障诊断这种典型的多类分类问题时存在困难。针对模拟电路故障诊断问题,在分析比较支持向量机“一对多”和“一对一”多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器。将其应用于典型的电源电路故障诊断,仿真试验结果证明了该方法的有效性。     

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。     

一种基于壳向量的SVM快速增量学习算法

该文提出了一种新的支持向量机学习算法-基于壳向量的增量学习算法(HVISVM).选取一部分最有可能成为支持向量的样本-壳向量,再进行SVM增量学习.由于提取壳向量的过程只需线性规划运算,之后的训练过程又只需处理原训练样本中的一部分;增量学习既能继承先前所学习的知识,又能减少由于新样本的加入而重新学习的时间.使整个算法的训练速度大为提高.与经典支持向量机的快速算法比,精度相当,但速度可以提高数倍以上.     

用LS-SVMs分析油浸式变压器故障

鉴于支持向量机法可较好地解决小样本、非线性、高阶动态系统的检测、分类、诊断等领域的一类实际问题,为改进变压器的故障诊断方法,采用分层决策最小二乘支持向量机作为油浸式变压器故障分类器,利用多层动态自适应优化算法优化了径向基核函数δ,惩罚参数c。采用最少特征量—4种气体作为故障识别的依据,用4级支持向量机进行训练和诊断,以此判断油浸式变压器运行所处的状态。最小二乘多级支持向量机分类器克服了神经网络存在大量的学习样本又易陷入局部极小值等缺点,具有所用特征量少,训练时间短,诊断准确率高等优点。     

基于贝叶斯推断LSSVM的滚动轴承故障诊断

针对传统最小二乘支持向量机分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法通过三级分层推断优化确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率.将基于贝叶斯推断最小二乘支持向量机分类方法应用于滚动轴承故障诊断中,实验仿真结果表明该方法能有效地识别滚动轴承的故障,且训练时间和测试时间均小于传统最小二乘支持向量机方法。     

一种SVM不平衡分类方法及在故障诊断的应用

针对支持向量机不平衡样本分类倾斜性问题,提出一种欠采样支持向量机分类器。构建包含少类样本的最小封闭超球体,计算各个多类样本到包含少类样本最小封闭超球体球心的距离,利用该距离对多类样本进行欠采样,产生新的训练集,实现训练集的平衡。该方法和其他不平衡分类方法在基准数据集的分类结果表明该方法在识别率和分类速度方面的有效性。将该方法应用于永磁同步电机驱动电路功率开关管开路故障诊断中,结果表明该方法缩短故障分类器的训练时间,提高了故障分类器的泛化能力和诊断速度。     

一种新的基于混合粒子的粒化支持向量机算法

粒计算是信息处理邻域中新的概念和计算方法,但是,传统粒子支持向量机算法存在着映射前后的数据分布不一致的问题,同时,由于使用粒子中心替代粒子从而导致精度下降。为此,提出基于映射后的混合粒子支持向量机算法,首先,利用mercer核函数将数据映射到高维空间,粒化计算后,找出含有更多分类信息的混合粒子,提取后作为输入集合对超平面进行训练,利用几何分析调整最优超平面,并采用基于QPSO算法对关键参数进行最优求解,从而提高算法的精度。实验表明该算法比传统粒子支持向量机算法正确率高10%,说明改进的粒化支持向量机算法提升效果明显。     

支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法．较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理。提取出故障识别所需要的6个特征量。然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别。并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点：1)具有较强的鲁棒性。识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。     

模拟电路故障诊断的邻近支持向量机集成方法

提出了基于非对称AdaBoost算法与邻近支持向量机的模拟电路集成故障诊断方法。该方法采用非对称AdaBoost解决邻近支持向量机处理多分类问题出现的数据不平衡问题,提高邻近支持向量机的分类准确率;利用高斯变异策略自适应选择核函数及正则化因子,提高集成邻近支持向量机的个体间差异性;最后获得分类精度高和泛化性能好的分类器。通过对模拟电路的故障诊断实验,验证了该方法的鲁棒性和可行性。诊断结果表明本文方法具有故障定位准确和泛化性好的特点。     

自适应模糊支持向量机增量算法在变压器故障诊断中的应用

利用油中溶解气体对变压器进行故障有无以及故障类别判断时,为抑制冗余信息的干扰,提取与分类模式密切相关的特征作为每层诊断模型的输入;增量学习算法通过提取模型的支持向量和误判样本,逐步积累样本的空间分布知识,提高诊断模型的精度与训练速度,同时剔除对构建模型无贡献的样本以节约存储空间。为提升算法的收敛速度,采用参数自适应优化算法动态搜索模糊支持向量机的模型参数。最后,通过实例将该算法与普通的多分类支持向量机以及多分类模糊支持向量机相比,得出该算法具有相对较好的收敛性和诊断效果。     

增量学习直推式支持向量机及其在旋转机械状态判别中的应用

直推式支持向量机(support vector machine, SVM)是基于已知样本建立对特定的未知样本进行有效识别的理论框架,与归纳式支持向量机相比,前者更经济、分类效果更佳。然而,直推式支持向量机的致命缺点是需要占用大量的训练时间,为此,提出了基于增量学习的支推式支持向量机训练算法,即把当前迭代训练得到的支持向量样本与新赋予类别标签的部分测试样本作为训练样本集参与下一次的迭代训目的是通过减少训练样本的数量以节约训练时间。同时,为确保算法的收敛性及分类准确率,在训练过程中引入了成对标注及错误回溯处理。实际的状态判别结果证明了该方法的有效性。     

基于支持向量机的铜矿成矿概率的研究

本文论述了基于支持向量机SVM（Support Vector Machine）的铜矿成矿概率估计系统的设计思想和实现方案。分类是采用联合的支持向量机分类器,由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维的情况下。在这个系统中我们尝试了多种基于支持向量机的多分类方法,并且还与其他类型分类器进行了比较试验。试验的结果表明,在小样本情况下,支持向量机的效果更好,识别率更高,能够很好地满足设计要求的系统。