基于粒子群优化决策树的齿轮箱故障诊断

针对现有支持向量机(support vector machines,简称SVM)在构造多类分类器的过程中存在计算费时、搜索率不高的问题,提出了一种新的SVM决策树设计算法.引入具有优良的全局搜索性能的粒子群算法,将其应用于优化决策树,构造出一种自适应性强、识别率高的多元分类器,实现SVM的有效多值分类.将其结果应用于齿轮箱故障诊断中,试验结果证明改进后的SVM构造方法的有效性和准确性.     

基于SVM的玻璃瓶缺陷分类算法研究

针对玻璃瓶质量检测系统缺陷分类难的问题,选取气泡、结石、裂纹、污点、皱纹这五种常见的缺陷作为分类目标,从研究每种缺陷的图像特征入手,提出了七个统计特征作为分类器的输入特征向量,根据该分类问题的特点构建SVM分类器,采用现场采集的缺陷图像样本对SVM分类器进行训练和测试。实验结果表明:设计的SVM分类器识别率较高,适合玻璃瓶缺陷图像分类。     

基于SVM近红外光谱在烤烟烟叶产地判别中的应用研究

为研究近红外光谱分析技术结合支持向量机(SVM)模式识别原理在鉴别烟叶产地中的可行性,选择云南省曲靖市所辖6个不同区县的180个烟叶样品为研究对象。对其近红外光谱进行一阶求导后,通过matlab分析软件建立预测各烟叶产地的近红外模型,并应用该模型对78个烟叶样品进行实际产地预测。实验结果表明:上述方法建立的预测模型训练样本的正确识别率100.00%,测试样本正确识别率为91.03%。结果显示,运用基于SVM的近红外光谱技术可以实现烤烟烟叶产地的快速准确判定。     

改进的网格搜索算法在SVM故障诊断中的应用

针对网格搜索法在支持向量机参数寻优时存在复杂度高、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,并将其应用于田纳西-伊士曼过程。实验表明,与改进前的算法相比,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。     

基于类间可分性度量和SVM的多故障分类算法

由于基于支持向量机(Support Vector Mechine,简称SVM)的多类分类算法的分类器结构对故障分类效果有直接影响,首先提出一种在高维特征空间基于核函数的J<,b>*/J<,w>*类间可分性度量准则,然后根据可分性度量结果用min-max原则来构造支持向量机分类器结构.通过对滚动轴承4类故障测试样本的分类试验结果表明,采用该方法构建的分类器其分类效果明显优于任意确定的二叉树结构分类器,有更高的故障识别率.     

运用改进二叉树SVM算法的柴油机振动诊断

提出了一种改进的二叉树支持向量机(support vector machines,简称SVM)算法,用以克服二叉树SVM构造时各级正类样本选择缺乏理论指导的问题。基于最易分割类应最先分割的思想,该方法在定义特征参数类识别率概念的基础上,首先逐级计算每个特征参数对各级SVM所对应各类训练样本的类识别率,然后选择类识别率综合排序结果处于第1位的样本类作为相应级SVM的正类。从缸盖振动信号包络幅值域参数和小波包分解频带能量百分比参数中选取了对气阀故障较为敏感的9个特征,形成了诊断特征向量,使用常用的1-a-r,1-a-1,DDAG以及改进的二叉树SVM多分类方法对6种气阀间隙状态进行了诊断,结果表明,本文提出的改进二叉树SVM方法具有最好的分类效果。     

基于AdaBoost_SVM的轧机的状态评估

为了解决大型轧机设备的早期状态评估难的问题,针对样本数量较少和质量不佳时ANN表现出的过学习和欠学习的现象,及传统的SVM多用于二分类的问题,提出了一种基于AdaBoost_SVM算法的轧机状态评估方法。通过AdaBoost算法连接多个SVM弱分类器,从而得到分类准确率更高的强分类器AdaBoost SVM模型。该算法在轧机数据集上进行了测试,并且与传统的ANN算法、SVM算法进行了比较,实验结果表明AdaBoost_SVM算法具有更好的分类精度。     

基于SVM和小波的木材纹理分类算法

选用二进正交小波基对木材纹理图像进行多层分解,利用所得到的纹理特征向量分析水平、垂直和对角方向上木材纹理频率分布特点.基于木材纹理的这种频率分布特点,选取能够表达木材纹理特征的一组向量作为SVM分类的特征向量,利用多类SVM分类器对木材纹理样本进行训练和识别分类.实验表明,文中基于SVM和小波的木材纹理分类方法优于传统的分类方法.     

一种新联合损失函数优化的迁移学习神经网络磨粒识别研究

为了提高齿轮齿条在不同工作情况下磨损状况识别的准确度,考虑到大模数齿轮齿条实际有效故障数据缺乏和数据标记缺失的特点,提出基于一种新联合损失函数优化的迁移学习神经网络(LCNNE)对大模数齿轮齿条磨粒识别方法。将LCNNE模型作为特征提取器提取特征,利用外部分类器SVM进行分类,验证了该方法在磨粒数据集上识别率达到99%左右,并且该方法的集成模型提取的特征输入SVM分类的识别率比VGG19和GoogleNet提取的联合特征高2%～3%。利用t-SNE技术,对DCNN、VGG19、GoogleNet和LCNNE模型的最后一个隐含层的提取特征进行可视化,证明了LCNNE模型的特征表达能力更强、识别效果更好。     

基于支持向量机的气敏传感器阵列信号处理方法

提出一种基于支持向量机(SVM)的气敏传感器阵列信号处理新方法。SVM作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,从而使得支持向量分类器具有良好的推广能力。该文首先讨论了SVM的基本原理,然后将其作为识别气体种类的分类器。该方法可以得到较高的识别率,能够识别复杂的模式。     

采用SVM的磨粒分类识别方法研究

为克服传统磨粒识别分类器训练时需要大量特征样本的缺点,设计一种基于多元支持向量机(Multi-Support Vector Machine,Multi-SVM)的磨粒识别分类器.支持向量机(SVM)是一种新的机器学习方法,在小样本和高维二元分类方面有非常突出的优点.实验证明,依据此优点设计的多元支持向量机磨粒分类器模型,不仅可以在小样本情形下对模型进行快速训练,而且可以快速识别多种磨粒类型,同时识别率也比传统的神经网络方法有较大提高,从而达到了提高设备监测和故障诊断效率的目的.     

采用小波分析与支持向量机的车轮踏面擦伤识别方法

采用小波分析与支持向量机(SVM)相结合对列车车轮擦伤进行自动识别。运用变尺度多分辨小波分析方法对车轮擦伤信号进行特征处理，SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力。在小波分析特征提取的基础上，利用分布式多SVM分类器识别车轮擦伤，实验表明，该方法能有效地对车轮擦伤等级进行准确识别和诊断。     

基于高斯尺度空间和SVM的桥梁裂缝检测研究

针对现有的桥梁裂缝检测及分类算法在光照不均匀条件下,存在检测精度不高、分类效果不理想的问题,提出了一种基于高斯尺度空间与支持向量机(sopport vector machine,SVM)多分类器相结合的桥梁裂缝检测及分类算法。该文对待处理裂缝图像进行预处理,消除噪声干扰;通过裂缝图像与二维高斯函数进行卷积运算来创建高斯尺度空间,在高斯尺度空间下估计背景,利用背景差法消除光照干扰,进而提取出具有区分度的裂缝图像特征向量;利用SVM多分类器进行桥梁裂缝分类。实验结果表明所提出的算法具有较高的分类精度。     

基于Shannon熵的LCD-SVM方法在齿轮故障分类中的研究

局部特征尺度分解(Local characteristic scale decomposition,LCD)是一种新的自适应时频分析方法,该方法可以自适应地将一个复杂信号分解为若干个ISC(Intrinsic scale component,ISC)分量之和。支持向量机(Support vector machine,SVM)是一种机器学习的智能分类方法,Shannon熵是一种非线性的统计学习方法。将LCD与SVM引入到机械传动系统的故障分类之中,利用Hilbert解调分析求取LCD的ISC分量的包络信号,构造其Shannon熵,然后在深入分析的基础上,与SVM友好结合起来,将其结果输入到SVM分类器进行分类研究,来判别齿轮的故障位置、类型和程度。研究表明,这种相结合的方法可对齿轮正常、齿根裂纹、齿面磨损、复合故障四种运行状态的故障进行较好的区分,综合识别率达到了97.5%。     

基于最大树聚类的多超球体一类分类算法及其应用研究

提出了一种基于最大树聚类的多超球体一类分类算法。首先应用最大树聚类算法将训练样本聚为多个子类,再对各子类分别进行一类支持向量机(one-class SVM,OC-SVM)分类器训练,得到由各子类对应的超球体形成的多超球体一类分类模型。分别将该方法应用于仿真数据、UCI标准数据集以及转子故障诊断三个实例中,结果表明了该方法的有效性。     

管道腐蚀缺陷超声信号的PSO-SVM模式识别研究

针对金属管道腐蚀问题,提出了一种基于支持向量机(Support vector machine,SVM)与粒子群优化(Particle swarm optimization,PSO)相结合的管道腐蚀缺陷的分类方法。对预处理后的超声缺陷信号进行经验模态分解(Empirical mode decomposition, EMD),提取相应的时域无量纲参数作为特征向量;建立SVM缺陷分类模型,并采用PSO算法优化SVM参数,提高模型的缺陷分类准确率。实验证明,该方法建立的模型针对不同深度的超声缺陷信号的识别率达到87.5%,优于相同试验样本下BP神经网络和RBF神经网络的分类准确率。     

基于树莓派和离散小波SVM的眨眼识别模块

眼电信号的识别和分类在机电控制领域应用十分广泛。眨眼信号识别是其中的一条重要分支。提出一种基于树莓派和离散小波SVM的眨眼识别模块,凭借树莓派的运算能力和机器学习算法库,利用离散小波变换对眨眼信号进行特征提取,使用支持向量机(SVM)分类器对其分类。为工程控制领域提供了一种快速、识别率高、轻便的眨眼识别模块设计思路和流程。     

基于离散余弦变换和支持向量机的人脸识别方法研究

本文实现了一种基于离散余弦变换（DCT）和支持向量机（SVM）的人脸识别方法。该方法利用DCT提取人脸特征向量，输入到SVM分类器中实现人脸的识别．本研究对DCT系数的选取，DCT系数的个数及SVM核参数对识别的影响作了详尽的分析．使用SVM多类分类器的1-1判别策略，实现了一个鲁棒性和实时性均很好的人脸识别方法。实验表明。离散余弦变换技术和支持向量机的结合用于人脸识别。大大提高了识别的速度和识别率。     

基于Tchebichef不变矩与SVM的交通标志分类算法研究

为了更好地对交通标志进行分类,提出了一种两步分类算法。首先根据交通标志的颜色与形状特征设计多层决策树进行粗分类,然后采用径向Tchebichef不变矩提取交通标志的特征,并基于SVM设计分类器进行精分类。对从3000幅自然场景图像中检测出的交通标志进行分类实验,结果表明该分类系统能取得较高的分类精度,这为交通标志识别系统的实现奠定了基础。     

基于DRGAN和支持向量机的合成孔径雷达图像目标识别

为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。