噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。     

基于机器学习算法的夹层玻璃冲击破坏预测模型研究

在诸如风致飞射物撞击等刚体冲击作用下, 建筑夹层玻璃因自身脆性特征极易破坏。针对这个问题提出了在刚体冲击下夹层玻璃破坏状态的预测方法, 综合考虑了玻璃构型、中间胶层、支撑条件及尺寸等多种设计参数。首先针对多类夹层玻璃进行往复刚体冲击试验, 建立567组PVB及210组SGP的两种不同中间胶层的夹层玻璃试验数据库; 随后基于鲸鱼优化下的核极限学习机(WOA-KELM)机器学习算法, 建立夹层玻璃破坏状态的预测模型, 并与支持向量机(Support Vector Machine, SVM)及最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)建立的相应预测模型进行对比分析。结果表明, WOA-KELM模型破坏状态预测精度达88.45%, 能较好地预测夹层玻璃的破坏, 满足工程应用的需求, 且预测模型精度及实时性均优于其他模型。     

基于LS-SVM的浮选药剂量优化设定

针对矿物浮选在线检测X荧光分析仪缺失、人工检测严重滞后的问题,提出基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的浮选药剂量优化设定方法。该方法首先利用历史数据建立基于LS-SVM的药剂量优化模型,然后采用该模型实现浮选药剂量的优化设定。工业数据仿真结果表明,所提方法能够实现浮选生产过程的的指标要求。     

基于最小二乘支持向量机的结构地震响应时滞控制算法

针对时滞会导致控制系统效果降低、控制性能恶化甚至系统不稳定,将线性二次型控制（Linear Quadratic Regulator,LQR）与最小二乘支持向量机（Least Squares Support Vector Machines,LSSVM）进行集成,提出时滞LSSVM-LQR智能控制算法。该算法采集结构状态响应数据后,将用LQR算法计算出的结构最优控制力输入到LSSVM中,以训练并回归预测出时滞后时刻的最优控制力;由作动器对结构提供控制。基于MATLAB平台编写计算程序,并用一幢三层框架结构进行数值验证。结果表明,LSSVM-LQR算法能有效降低时滞对结构控制系统的不利影响。     

基于GA-LSSVM预测的Hilbert-Huang变换端点效应问题处理

针对Hilbert-Huang变换中的端点效应,利用基于遗传算法(Genetic Algorithm, GA)的最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)数据延拓方法对信号及其各内禀模态函数(Intrinsic Mode Function, IMF)分量进行延拓,在一定程度上克服了Hilbert-Huang变换中的端点效应,实现了准确的Hilbert-Huang变换.     

Laplacian双联最小二乘支持向量机用于早期故障诊断

提出基于Laplacian双联最小二乘支持向量机(Laplacian Twin Least Squares Support Vector Machine,LapTLSSVM)半监督模式识别的新型早期故障诊断方法。用时、频域特征集广泛收集旋转机械不同早期故障的特征信息,再用提升半监督局部Fisher判别分析(Enhanced Semi-Supervised Local Fisher Discriminant Analysis,ESSLFDA)将高维时、频域特征集约简为具有更好类区分度的低维特征向量,并输入到Lap-TLSSVM中进行早期故障诊断。Lap-TLSSVM引入了包含大量无标签数据信息的流形规则实现半监督学习;其目标函数只含等式约束条件,且用共轭梯度法求解目标函数的线性方程组以加速训练过程。所提出的方法在训练样本非常稀少的情况下具有较高的诊断精度和计算效率。深沟球轴承早期故障诊断实验验证了该方法的有效性。     

基于稀疏表示和SVM的航空发动机故障诊断

针对某型航空发动机减速器一级齿轮毂断裂问题,考虑其不易拆卸的特点,提出基于信号稀疏表示和支持向量机(Support Vector Machine,SVM)的故障诊断算法。首先,利用稀疏表示提取出最大和次大的稀疏系数作为特征向量。其次,选取支持向量机进行故障识别,在小样本学习条件下保持了较高的识别准确率。通过对简易减速器和航空发动机振动信号的分析证明了所提算法的有效性及其在工程应用中的价值。     

基于LS-SVM多分类器融合决策的混合故障诊断算法

故障诊断的关键是特征向量提取和分类器的选择, 提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法. 多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition, EEMD)和改进小波能熵方法, 得到三组不同的故障特征信息; 将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)组成的分类器组进行初步诊断; 采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates, SWDT)进行多分类器诊断结果的融合决策. 实验证明, 该方法能实现轴承不同故障类型, 尤其是复合故障的可靠识别, 验证了该算法提取轴承故障特征信息的完备性, 以及分类器组融合决策的可靠性.     

基于局部切空间排列和最小二乘支持向量机的气缸压力识别

为了提高缸盖振动信号恢复气缸压力的识别精度,提出一种基于局部切空间排列(LTSA)和最小二乘支持向量机(LSSVM)的气缸压力识别方法。首先提取缸盖振动信号时域、频域及小波包能量域特征,组成高维特征集,利用LTSA算法提取高维特征集的低维本征流形特征,然后把降维后的特征参数集作为LSSVM模型输入,缸压信号作为LSSVM模型输出,通过多个样本对LSSVM模型进行训练,从而获得气缸压力的重构模型。试验结果表明:基于局部切空间排列和最小二乘支持向量机的气缸压力识别方法具有精度高、泛化能力强等优点。     

改进果蝇优化LSSVM超声波萃取产物浓度软测量

针对超声波天然产物萃取过程中产物浓度难以在线检测的问题,提出了一种改进果蝇优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的超声波萃取产物浓度软测量建模方法。首先将混沌优化与迭代步长动态调节方法相融合,提出了一种混沌动态步长改进果蝇优化算法(Chaos Dynamic Step Fluit Fly Optimization Algorithm,CDSFOA),该算法引入动态调节因子对步长动态更新,并利用混沌优化实现各变量之间映射等操作,能够有效提高果蝇优化算法的收敛精度和收敛速度,然后利用CDSFOA对LSSVM进行参数寻优,构建最优CDSFOA-LSSVM软测量模型,最后利用超声波斛皮素萃取实验数据进行验证。结果表明,提出的模型不仅有较好的学习和泛化能力,而且具有良好的预测精度,可为超声波天然产物萃取工艺优化提供理论指导。     

基于稀疏约束的DCD滑动窗RLS水声信道估计算法研究

水声信道具有稀疏性的特点,因此高精度低复杂度的稀疏信道估计算法对水声通信具有重要意义.基于自适应滤波算法的信道估计问题本质上是线性回归模型参数的求解问题,传统的最小二乘(Least Square,LS)、最小均方(Least Mean Square,LMS)及递归最小二乘(Recursive Least Squares...     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.     

基于字典学习的主动声呐目标分类方法

主动声呐目标分类在军事和民用方面都有重要的应用和价值。文章基于稀疏表示理论,结合K-奇异值分解和正交匹配追踪算法,提出一种基于学习字典的稀疏表示分类方法（Dictionary Learning Sparse Representation Classification,DLSRC）。首先,利用K-奇异值分解算法训练各个类别目标回波信号,得到带有目标特征信息的类别字典,类别字典对信号具有良好表征能力并且带有目标类别信息;然后,利用正交匹配追踪算法和各个类别字典稀疏分解测试信号,得到各个类别字典下的稀疏系数后重构信号;最后,根据各个重构信号与测试信号的匹配度判定类别,得到分类准确率。结果显示,200个测试数据在信噪比分别为-5、-3、6 dB时,DLSRC法的分类准确率分别达到87%、89%、95.5%。不同信噪比下基于学习字典稀疏表示分类方法的准确率均高于已有的支持向量机（Support Vector Machine,SVM）、K-最近邻（K-Nearest Neighbor,KNN）和柔性最大值分类器（SoftMax）等分类方法,具有较好的分类性能。     

最小二乘支持向量机在瞬变热环境实验研究中的应用

瞬变热环境下,热反应与环境参数是紧密联系的。本文基于最小二乘支持向量机LS-SVM(LeastSquares Support Vector Machine)理论,结合瞬变热环境下受试者的投票实验数据,试图将这种关系量化,以达到对瞬变热环境下整体热感觉预测的目的。通过样本测试对预测模型的验证结果表明,向冷环境过渡和向热环境过渡中误差﹤0.3的样本比例都达到了90%以上,预测结果较理想,并且预测精度优于BP神经网络所建立的模型。另外,考虑到热感觉的模糊性以及个体化差异造成的影响,还给出了测试样本集在置信水平为95%时的置信区间,能对测试样本的变化区间作出较为准确的判断。     

基于不变性常识的支持向量分类机

不变性常识(Invariance)与支持向量机(Support Vector Machine,SVM)的融合技术是近年来支持向量机研究的重点之一,将不变性常识融合于学习模型,有助于提高模型的泛化能力。探讨不变性支持向量机(InvarianceSVM)的形式化描述、目前发展状况及不变性常识与SVM融合的主要技术,并分析各方法的优缺点。     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.     

基于ITD-MFCC与卷积神经网络的核电电气设备异音检测技术

针对核电设备小样本异音数据集无法训练出高效预测模型难题，提出一种基于ITD-MFCC和卷积神经网络的电气设备异音检测方法。首先，利用固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)强化信号特征，增强特征辨识度；然后，利用梅尔频率倒谱系数(Mel-frequency Cepstral Coefficients,MFCC)提取与人耳听觉特性关联的时频特征，进一步增强异音特征辨识度；最后，融合所提取特征指标，并利用卷积神经网络对融合特征进行训练，建立异响与数据特征映射关系，实现异音检测。试验结果表明：所设计的模型在小样本数据中准确率达到97.63%，相比于现有的支持向量机(Support Vector Machine,SVM)和BP神经网络模型准确率分别提升10.43%和12.86%。     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

基于小波变换和SVM的人脸识别

提出了基于小波变换和支持向量机(Support Vector Machine,SVM)的人脸识别算法。该算法通过小波变换的多分辨率分析形成人脸图像的低频小波子图,然后利用主分量分析构造特征脸子空间,最后由SVM进行分类。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。