CBFS-SVM及其在故障诊断中的应用

本文结合了属性相关性分析及支持向量机分类机理,提出了一种新的故障诊断方法.首先使用基于属性相关性分析的方法对过程特征变量进行简约,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息,同时充分利用支持向量机的良好推广性能,提高了预测分类精度.对污水处理过程故障诊断实验结果表明了该方法的优越性.     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能,提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器,可将冗余属性从诊断决策表中删除,而不损失有效信息,然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度,但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类,结果表明该方法可快速正确的从数据获得故障类剐。     

基于粗糙集和信息熵的BP神经网络故障诊断

针对粗糙集只能处理量化数据,容错和推广能力较差的缺点以及BP神经网络的维数灾难问题,提出1种基于信息熵的粗糙集属性离散化方法. 该方法利用粗糙集对属性进行约简,解决BP神经网络的维数灾难问题,并将BP神经网络用于模式分类补偿粗糙集属性约简用于模式分类时的不足. 实例分析表明该方法具有较好的故障诊断效果.     

基于RSOPNN的无线传感器网络节点故障诊断算法

针对无线传感器网络节点故障诊断中存在的冗余故障属性、噪声数据以及数据可靠性等问题,提出基于粗糙集-优化概率神经网络的无线传感器网络节点故障诊断算法（简称RSOPNN）。通过粗糙集从故障样本属性集合中求解故障诊断属性约简,从而去除冗余故障属性,降低冗余属性、噪声数据对故障诊断的影响,节省能耗。对于多个属性约简选择,以属性间的相关程度作为度量标准,代替常规的主观选择,从多个约简中确定最优故障诊断属性约简,解决主观选择的不合理性。以最优的故障诊断属性重构故障样本,作为优化概率神经网络的输入,建立故障分类模型,从而对故障进行诊断。实验结果表明,在不同的数据可靠性下,RSOPNN方法能够有效删减样本中的冗余属性和噪声数据,保持高效的故障诊断水平,符合无线传感器网络的需求。     

一种改进的基于RS与SVM的故障诊断方法

传统的基于粗糙集与支持向量机的故障诊断方法在用支持向量机分类前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐含知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该方法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐舍知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该 法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集     

粗集特征选择的人脸识别算法

提出基于粗糙集理论属性全局重要度的特征选择方法改进人脸识别中的特征向量的表征能力。以PCA方法得到的特征向量为基础,给出粗糙集的单个特征和特征子集的属性类间分类重要度和属性类内相似重要度的概念。提出基于属性类间分类重要度的属性约简方法,并用属性类内相似重要度进行最后的特征选择,得到进行人脸图像识别分类器的特征向量。新的特征提取方法完全依赖数据本身的先验知识,可选择出最优的特征组合,提高人脸识别率。实验结果表明,与其他方法相比该方法是有效的。     

基于最佳分类数和粗糙集的故障诊断方法

提出了一种基于最佳分类数和粗糙集理论的汽轮机轴系振动故障诊断方法。该方法利用模糊C均值聚类算法（FCM）把数据的连续属性离散化,以形成隶属度矩阵及属性分类数,根据隶属度矩阵及属性分类数进行划分系数和划分熵的有效性评判,最终找到连续属性的最佳分类数。然后根据最佳分类数对数据的连续属性进行实际的离散化,将离散化后形成的离散数据根据粗糙集理论,进行数据挖掘,得到诊断规则,有效提高了汽轮机轴系振动故障的诊断水平。     

基于变精度粗糙集的故障诊断应用研究

标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了一种基于变精度粗糙集理论的故障诊断模型.先用自组织特征映射神经网络对连续属性进行离散化,然后利用变精度粗糙集的近似依赖性进行属性约简,据此得到决策规则,并给出了一个实例来说明如何应用这种故障诊断模型.     

基于相容粗糙集的改进的基因特征选择方法

在基因表达数据中,有效的基因选择方法是癌症基因数据研究的重要内容。粗糙集是一个去掉冗余特征的有效工具。由于基因表达数据的连续性,为了避免运用粗糙集方法所必须的离散化过程带来的信息丢失,将相容粗糙集应用于基因的特征选择,提出基于相容粗糙集的基因特征选择方法,并在此方法基础上进一步对粗糙集的边界域进行研究,提出了基于相容粗糙集的改进的基因特征选择方法。在两个标准的基因表达数据上进行实验,结果表明与传统的基因特征选择方法相比,所提方法能够有效提高分类精度。     

一种基于粗糙集属性约简的支持向量异常入侵检测方法

实现了一种粗糙集属性约简和支持向量机分类相结合的异常入侵检测方法。针对网络连接记录特征属性高维的特点,采用粗糙集属性约简的方法压缩数据空间,然后采用υ-SVM两分类方法处理约简和正规化后的数据。基于DARPA1998数据源的实验表明,与采用全部属性的υ-SVM两分类方法相比,该方法具有与之相当的分类精度,但有效地降低了检测时间,减少了存储空间。     

基于聚类预处理和支持向量机的模拟电路故障诊断技术

支持向量机（SVM）最初源于两种分类问题,用于存在较多故障模式的模拟电路诊断问题,易造成识别重叠区域。为此提出了利用动态聚类算法作为SVM预分类器的故障诊断方法,首先采用模糊C-均值（FCM）算法对训练样本进行聚类,然后分别对两大类进行内部的子聚类,每一次的聚类都产生两种模式并对各个模式内的故障模式样本训练产生对应的SVM网络,最后采用二叉树形式把所有的模式分开。实验结果表明,采用该方法对测试样本的诊断正确率可以达到99%以上。     

支持向量机在模拟电路故障诊断中的应用

故障诊断发展的瓶颈之一是故障样本的缺乏,而不仅在于诊断方法本身。支持向量机是建立在结构风险最小原则基础上,专门针对小样本情况的,其目标是得到现在信息下的最优值而不仅仅是样本数趋于无穷大时的最优值。它能在训练样本很少的情况下达到很好的分类效果,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机的二值分类算法,以支持向量机二值分类为基础,构建了基于支持向量机的多值分类器并应用于模拟电路故障诊断。以两管视频放大器的多种故障分类为例,进行了实际应用验证。结果表明,该诊断方法具有算法简单、可对故障在线分类,有很好的分类能力和较高的计算效率,不需要对原始数据进行预处理就可达到满意的效果。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，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达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

多切面分类改进独立成份与支持向量机集成故障诊断方法

本文采用多切面分类方法改进独立成份(ICA)与支持向量机(SVM)集成诊断方法. 在高维独立成份特征空间中采用多切面分类方法在不同切面上分别建立SVM故障分类模型. 对不同切面的分类情况进行故障识别, 改善ICA--SVM集成故障诊断性能. 将ICA--MSVM集成故障诊断方法对动态执行器基准平台(DAMADICS)的19种阀门故障模式进行仿真验证, 结果表明改进的ICA--MSVM方法有效地提高了故障诊断精度.     

结合OCSVM的模拟电路故障诊断方法

基于支持向量机的传统模拟电路故障诊断方法对新故障无检测能力,且可扩展性较差。针对该问题,提出结合一类支持向量机(OCSVM)和多类支持向量机(MCSVM)的故障诊断方法。该方法采用OCSVM对故障数据进行检测和初步分类,采用MCSVM提高分类性能,以弥补OCSVM分类能力的不足。对OCSVM算法进行改进,以提高其检测和分类性能。通过模拟电路故障诊断实验验证OCSVM改进算法和联合故障诊断方法的有效性。     

基于SVDD和D-S理论的模拟电路故障诊断

为解决模拟电路故障诊断复杂多样难于辨识的问题和有效提高诊断准确度及速度,提出了一种融合支持向量数据描述(SVDD)算法和D-S证据理论的故障诊断方法。首先,对采集信号进行基于局部判别基的Haar小波包变换,依据判别测度选取判别能力强的前5个节点的标准能量构成特征集。然后利用SVDD算法求出特征集对于不同类别的基本信任分配函数,最后利用证据理论对不同基本信任分配函数进行组合得到最终故障诊断决策。将该方法应用于两级四运放双二次低通滤波器电路进行故障诊断,实验结果表明该方法能够准确迅速诊断出模拟电路中的故障;与基于SVDD多分类算法、一对一(o-v-o)SVM和一对多(o-v-a)SVM分类算法的故障诊断方法进行比较,本方法能够提高模拟电路故障诊断的精度;比采用o-v-o SVM和o-v-a SVM分类算法的故障诊断方法有更快的诊断速度。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

基于Ncut分割和SVM分类器的医学图像分类算法

为解决医疗诊断中由于疲劳和主观因素影响导致的诊断错误,本文提出了基于Ncut分割方法的医学CT图像的分割、特征提取和诊断的新方案.将Ncut分割方法应用于脑CT图像.先进行图像分割,提取感兴趣区域,再从边缘、灰度,纹理三方面提取特征,最后利用支持向量机(SVM)对图像进行分类,为医生的诊断提供参考.从表格化的分类结果看,所提方案有较大的应用价值.     

Fault diagnosis and classification framework using multi-scale classification based on kernel Fisher discriminant analysis for chemical process system

Fault detection and diagnosis (FDD) in chemical process systems is an important tool for effective process monitoring to ensure the safety of a process. Multi-scale classification offers various advantages for monitoring chemical processes generally driven by events in different time and frequency domains. However, there are issues when dealing with highly interrelated, complex, and noisy databases with large dimensionality. Therefore, a new method for the FDD framework is proposed based on wavelet analysis, kernel Fisher discriminant analysis (KFDA), and support vector machine (SVM) classifiers. The main objective of this work was to combine the advantages of these tools to enhance the performance of the diagnosis on a chemical process system. Initially, a discrete wavelet transform (DWT) was applied to extract the dynamics of the process at different scales. The wavelet coefficients obtained during the analysis were reconstructed using the inverse discrete wavelet transform (IDWT) method, which were then fed into the KFDA to produce discriminant vectors. Finally, the discriminant vectors were used as inputs for the SVM classification task. The SVM classifiers were utilized to classify the feature sets extracted by the proposed method. The performance of the proposed multi-scale KFDA-SVM method for fault classification and diagnosis was analysed and compared using a simulated Tennessee Eastman process as a benchmark. The results showed the improvements of the proposed multiscale KFDA-SVM framework with an average 96.79% of classification accuracy over the multi-scale KFDA-GMM (84.94%), and the established independent component analysis-SVM method (95.78%) of the faults in the Tennessee Eastman process.     

Fault diagnosis of power transformer based on support vector machine with genetic algorithm

Diagnosis of potential faults concealed inside power transformers is the key of ensuring stable electrical power supply to consumers. Support vector machine (SVM) is a new machine learning method based on the statistical learning theory, which is a powerful tool for solving the problem with small sampling, nonlinearity and high dimension. The selection of SVM parameters has an important influence on the classification accuracy of SVM. However, it is very difficult to select appropriate SVM parameters. In this study, support vector machine with genetic algorithm (SVMG) is applied to fault diagnosis of a power transformer, in which genetic algorithm (GA) is used to select appropriate free parameters of SVM. The experimental data from several electric power companies in China are used to illustrate the performance of the proposed SVMG model. The experimental results indicate that the SVMG method can achieve higher diagnostic accuracy than IEC three ratios, normal SVM classifier and artificial neural network.