支持向量机非线性辨识与控制概述

首先讲述非线性系统辨识的一般模型、基于支持向量机（support vector machine．SVM）非线性辨识的结构和SVM辨识与控制的优势、特点,然后阐述了SVM在控制中的应用,包括SVM在内模控制,SVM预测控制及多核SVM控制等,最后探讨了SVM本身在算法快速性,核函数的改进,错误惩罚参数选择以及在SVM中损失函数的选择上存在的问题。     

一种基于SVM 的航舵故障诊断方法

针对舵机故障样本数量不足、诊断知识不完备的实际情况,提出一种基于支持向量机(support vectormachine,SVM)的故障诊断方法。根据航舵故障输入输出映射非线性的特点,分析SVM的分类机理,对基于SVM的故障诊断步骤进行介绍,解决了小样本模式的分类问题,并通过仿真对该方法的有效性进行验证。仿真结果表明:该方法对舵机故障分类准确性可达92%。     

基于分层聚类的支持向量机模拟电路故障诊断

提出分层聚类与支持向量机集成的算法,以多级二叉树结构的SVM实现故障的分级诊断。根据最大间隔距离原则,对各故障模式电路特征的逐次聚类二分获得二叉树,使每个节点的SVM具有最大分类间隔,减少了误差积累,从而优化了SVM的组合策略。聚类上利用遗传粒子群算法对样本进行聚类。经模拟电路仿真结果显示,该方法与一对一、一对多方法相比,在不影响分类精度下,减少测试时间,降低模型复杂度。     

基于支持向量机的机电BIT虚警抑制

诊断间歇故障是降低BIT虚警的一个主要途径。针对目前间歇故障诊断方法的不足，根据支持向量机(SVM)的小样本学习优点，建立基于支持向量机的三状态(正常、间歇故障、永久故障)故障诊断模型，再以振动信号的AR模型系数为特征，在少量训练样本下，利用该模型SVM诊断间歇故障。实验结果表明，该方法可在多种间歇故障、少量训练样本的情况下，对间歇故障进行有效诊断，从而达到降低BIT虚警的目的。     

基于集合经验模态分解-支持向量机的高压共轨系统故障诊断方法

柴油机高压共轨系统运行时轨压波动信号波动较大且非线性特征较为明显,使其故障诊断较为困难。针对高压共轨系统轨压信号状态参数难以提取与识别的问题,提出一种基于集合经验模态分解（EEMD）—支持向量机（SVM）的故障诊断方法。通过EEMD将轨压信号分解为一系列固有模态函数,利用过零率曲线确定的特征提取准则提取本征模态函数中的特征值。将提取的特征值输入SVM中进行故障类型的诊断。通过AME Sim软件仿真实验获得轨压信号,对比7种不 同的特征值选择方法,最终选取能量特征值构建特征值向量并进行识别和诊断结果分析,以验证该方法的正确性与准确性。结果表明：所提出的基于EEMD—SVM的高压共轨系统故障诊断方法能够对6种不同的运行状态进行状态识别,平均故障诊断正确率可达96.11%。     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时,分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导,而且由于学习过程中常采取近似计算,致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量;而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选,最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中,性能评价及分类结果表明,集成SVM比单- SVM具有更好的分类性能,故障诊断准确率更高。     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

基于多小波能量谱与SVM的导弹惯性器件故障预报

针对利用时域信号进行故障预报精度低的问题,提出一种基于多小波能量谱与支持向量机(SVM)的故障预报方法.该方法以信号在多小波域上分解形成的能量谱作为故障的诊断特征,通过距离评测准则选取最优多小波能量谱特征子集.最后将最优特征作为样本训练支持向量机.利用训练后的SVM进行故障预报,试验结果表明多小波能量谱能更有效地反映惯性器件故障特征,利用SVM与多小波能量谱结合可以得到更好的预测精度.     

基于支持向量机的弹道识别及其在雷达弹道外推中的应用

支持向量机( SVM)是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。     

基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法,设计了相应的预处理算法,提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据,比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。     

基于粗集的SVM算法在空袭目标识别中的应用

在现代防空作战中,如何快速准确对敌我目标进行识别,至关重要。本文结合粗糙集和支持向量机算法建立了基于粗糙集的SVM增量学习模型,提出了基于快速求核和集合近似质量的粗糙集属性约简算法,改进了SVM增量学习算法。试验结果表明,算法正确有效,模型符合现代防空作战中对目标识别的要求。     

装备综合诊断系统关键技术研究

综合诊断是装备技术保障领域的一种新思想和策略．为此,通过对综合诊断定义的理解和对装备诊断功能和诊断相关组件的分析,针对装备维修存在的问题,提出了综合诊断系统工程的若干关键技术．这些关键技术已被采纳应用到多型装备的综合诊断工程,并发挥了重要作用．     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

基于多分类支持向量机和证据合成方法的多传感器信息融合研究

为克服支持向量机和Dempster方法的不足,提出一种基于SVM多分类器的识别结果概率输出方法。以BPA函数的形式输出SVM多分类结果,对Dempster证据合成方法进行了改进：根据证据之间的相似性程度判断是否存在证据;中突,对于证据数目在3条以上且存在冲突的证据组合,引用统计理论中马氏距离的计算公式计算各证据与其余证据组合之间的距离,导出各证据的重要性权系数,由此对证据的BPA函数进行转化,采用Dempster方法对转化后的BPA函数进行合成。然后,将SVM多分类器的BPA输出作为参与融合的各传感器对应的BPA函数,采用改进的证据合成方法进行合成,得到最后识别结果。结果表明,SVM识别方法能降低错误率,其输出形式包含更多信息量。     

基于主元分析与支持向量机的方法及其在过程监控诊断中的应用

基于支持向量机（SVM）在处理小样本、高维数及泛化性能强等方面的优势，提出了基于主元分析和支持向量机（PCA—SVM）对过程进行监控的方法。文中先利用主元分析方法进行特征数据提取，得到降维的主元特征向量，去除了高维样本变量相关性。然后分析各状态T^2统计、SPE统计量的变化趋势，对实际生产状况进行监控，最后利用SVM与最近邻法相结合的策略对特征向量进行分类识别。试验结果证实了提出算法的有效性。     

基于Gabor原子变换和支持向量机的毫米波雷达目标识别方法

为提高毫米波雷达目标识别能力,提出一种基于Gabor原子变换和支持向量机(SVM)的雷达目标识别方法。该方法充分利用了Gabor原子变换在信号表示方面的有效性以及SVM在分类方面的优越性,首先将雷达回波信号进行Gabor原子变换,获得信号的特征量,然后利用SVM网络进行分类识别。实验结果表明：该方法可行且具有较高的识别率。     

基于SVM的LF精炼炉成分预报模型的研究

炼钢精炼环节存在许多非线性因素,直接影响最终成品钢的成分。以实际数据为基础,运用传统经验公式法和SVM网络分别建立LF精炼炉终点成分预测模型,并对其预测效果进行比较,实践证明了SVM网络预测模型的准确性和实用性。     

基于插值HRRP和SVM的雷达目标识别方法

为了在高分辨一维距离像（HRRP）数据有限的情况下提高支持向量机（SVM）的识别性能,采用插值方法对原数据按方位角进行插值处理。给出了应用于距离像数据的线性插值和三次样条插值方法的推导和计算过程以及处理结果,与未插值数据的图像吻合较好,证明了插值方法的正确性。研究采用SVM方法对插值数据及未插值数据进行识别,结果表明采用插值处理可明显提高SVM的正确识别率,采用三次样条插值比线性插值提高识别率的效果更明显。且三次样条插值在两点间插入5个点后对识别率的提高可趋于稳定,从而证明该方法的正确性和有效性。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.