基于小波变换和二叉树结构的电能质量扰动分类

针对电能质量扰动分类问题,提出了一种基于小波变换和二叉树结构支持向量机的扰动分类方法。首先,通过交流暂态仿真软件产生8种典型扰动信号和2种复合扰动信号作为样本集;然后,通过小波变换进行多个特征的提取,包括信号在特定频带下的能量和小波系数标准差;最后,通过样本集,对二叉树结构支持向量机分类器进行训练和测试。测试结果表明,该方法能够有效识别常见的10种扰动信号,具有分类正确率高、训练时间短的优点。     

基于SVM和归一化技术的音视频特征融合身份识别

针对噪声环境下人脸识别率和说话人识别率低的问题,在研究特征层融合的基础上,结合归一化技术和SVM理论,提出了一种融合人脸和语音的多生物特征识别模型。首先采用离散余弦变换和局部保持投影算法提取人脸特征及SVM方法提取语音特征,在特征层进行融合得到融合特征后,计算测试身份与模板间的距离,为了减少计算量和提高识别性能,对匹配距离进行归一化处理,最后输入到SVM进行识别。仿真结果表明,在噪声环境下,当信噪比降低时,融合识别率要明显高于单个系统的识别率,达到了身份识别的目的。     

基于PNN的GIS局部放电模式识别方法

气体绝缘开关设备(GIS)因绝缘缺陷引起的局部放电特性具有复杂性和分散性,其特征量的选取易产生数据的丢失和冗余,导致故障类型的识别效果不佳.据此,提出了采用线性判别分析(LDA)方法和遗传算法优化概率神经网络结合的局部放电模式识别方法.通过GIS局部放电实验平台模拟了5类典型的GIS局部放电模型,并建立相应的超高频图谱,提取了相关的特征参量;经过线性判别分析降维得到低维的样本空间,并送入到遗传算法优化后的概率神经网络中进行模式识别;分别采用BP神经网络、SVM、概率神经网络、优化概率神经网络4种分类器进行模式识别,实验结果表明,样本空间经过LDA降维,并经过遗传算法优化概率神经网络进行模式识别,具有较优的识别效果和识别时长.     

基于MFCC的语音情感特征提取研究

为了研究"世界记忆遗产"东巴经典古籍的音频分类,以通过语音情感特征提取的方法分类鉴别东巴音频类别,并实现对东巴经典语音的情感状态识别,同时提高人机交互性能,提出采用Mel频率倒谱系数(MFCC)实现语音情感特征的提取。通过引入MFCC的一阶差分、二阶差分描述语音特征的动态特征,并整合短时能量特征,最终形成MFCC和短时能量相叠加的语音信号特征参数,达到提取反映语音情感特征的目的。实验验证表明,该语音信号特征提取方法能够更明显地区分出包含在语音中的情感信息,为语音情感特征的识别研究及东巴古籍音频分类鉴别提供理论基础。     

基于小波变换和支持向量机的电能质量扰动识别

电能质量扰动识别时,采用小波变换提取能量分布特征时小波分解层数通常缺乏理论依据,且采用支持向量机( SVM)分类时训练样本通常只含某一种信噪比(SNR)的噪声.针对以上两个问题,利用小波变换对电能质量扰动信号进行多分辨率分析时,根据扰动信号的采样率来确定小波分解层数,提取小波能量分布差特征作为SVM的输入向量,减少了计算量和特征维数;采用信噪比在较大范围内分布较均匀的训练样本来训练SVM,增强了SVM的范化能力.仿真实验表明,该方法提高了电能质量扰动识别准确率;在20dB噪声条件下,该方法对6种电能质量扰动的识别准确率仍达到95.20％.     

基于多超球SVM的电机转子断条故障诊断

针对电机转子断条故障诊断问题,设计了一个故障诊断模型.将电机转子断条故障诊断视为多分类问题,提出了一种多超球支持向量机(MHSVM)故障诊断模型.MHSVM是通过利用支持向量数据描述(SVDD),结合二叉树结构的方法,构造的一种多分类模型.为验证所提出算法的有效性,将MHSVM与支持向量机(SVM)和神经网络算法(BP...     

基于多尺度熵分析与改进 SVM 的变压器故障识别

为解决传统变压器故障识别方法提取故障特征难度大、识别准确率低等问题,提出基于多尺度标准差模糊熵( SDMFE) 和哈里斯鹰算法(HHO)优化支持向量机(SVM)的故障识别方法。 首先,采用基于模糊熵的多尺度分析法量化变压器振动信号 复杂的动态特性,提取多时间尺度下的故障特征。 随后,将利用 SDMFE 获得的故障特征输入 SVM 分类器识别变压器不同的故 障。 同时,为了提升 SVM 的识别性能,引入 HHO 算法以自适应、准确地选择 SVM 参数。 最后,利用变压器实测振动信号进行 了对比试验。 与不同的信息熵、不同的优化策略和不同的分类器相比,所提方法取得 98. 56%的最高识别准确度和最好的识别 稳定性。 结果表明所提方法能够有效提取故障敏感特征和准确识别变压器故障状态。     

基于二维离散余弦S变换的电能质量扰动类型识别

为获得可靠的高质量电能,提高电能质量扰动(Power Quality Distrubances, PQD)类型识别准确率,提出了一种基于二维离散余弦S变换(2D-DCST)的PQD类型识别方法。首先在数学模型的基础上,生成包括7种复合扰动在内的17类不同的电能质量事件。然后将一维的PQD信号转换成行列相等的二维信号,利用2D-DCST方法从二维信号中得到其振幅矩阵,对振幅矩阵提取基于统计、能量和图像的特征。再使用第二代非支配排序遗传算法(NSGA-Ⅱ)将提取的大量特征降维成少量有用的特征组。最后对所选特征使用支持向量机(SVM)分类器,构建一个分类准确率高、特征数目少的类型识别模型。实验结果表明,该方法能够准确高效地识别17类电能质量事件,并且有较好的抗噪性。同时对复合扰动也有较高的识别准确率,为电能质量扰动类型识别问题提供了新的方法。     

基于相位谱图的开关柜局部放电模式识别方法

利用图像识别和模式识别理论,针对高压开关柜局放相位谱图特征提出一种基于二维最大准则法的提取和降维方法,并结合支持向量机(SVM)实现对开关柜内部局部放电类型分类识别。仿真计算表明该方法可直接对图片格式的相位谱图进行处理和识别,能避免因不同检测设备数据格式不同而造成的无法跨平台分析的问题;同时,采用二维最大准则法能对相位图谱进行大幅压缩,且在特征值nc=2和nr=7时,基于SVM的识别正确率可基本保持在90%以上。     

基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断

针对电机机械多故障同时诊断问题,基于小波包、Shannon熵、支持向量机(SVM)和遗传算法,提出了一种电机机械故障诊断新方法,称之为WPSSG法或多模型融合法。该方法选择容错性强的Shannon熵作为特征参数,通过对振动信号进行基于DMeyer小波的小波包分解,提取振动信号的小波包Shannon熵为特征向量,将特征向量作为多类别SVM的输入,具有较高的去噪能力;在训练SVM时,与传统方法多采用试凑法选择参数不同,该方法采用遗传算法对SVM的参数进行全局寻优,使SVM获得最佳的分类性能,具有更高的识别准确率。采用凯斯西储大学提供的电机机械故障数据进行实验,结果证明该方法具有很好的可靠性和准确性。     

An Approach to Speech Emotion Classification Using k-NN and SVMs

The interaction between humans and machines has become an issue of concern in recent years. Besides facial ex-pressions or gestures, speech has been evidenced as one of the foremost promising modalities for automatic emotion recognition. Effective computing means to support HCI (Human-Computer Interaction) at a psychological level, al-lowing PCs to adjust their reactions as per human requirements. Therefore, the recognition of emotion is pivotal in High-level interactions. Each Emotion has distinctive properties that form us to recognize them. The acoustic signal produced for identical expression or sentence changes is essentially a direct result of biophysical changes, (for example, the stress instigated narrowing of the larynx) set off by emotions. This connection between acoustic cues and emotions made Speech Emotion Recognition one of the moving subjects of the emotive computing area. The most motivation behind a Speech Emotion Recognition algorithm is to observe the emotional condition of a speaker from recorded Speech signals. The results from the application of k-NN and OVA-SVM for MFCC features without and with a feature selection approach are presented in this research. The MFCC features from the audio signal were initially extracted to characterize the properties of emotional speech. Secondly, nine basic statistical measures were calculated from MFCC and 117-dimensional features were consequently obtained to train the classifiers for seven different classes (Anger, Happiness, Disgust, Fear, Sadness, Disgust, Boredom and Neutral) of emotions. Next, Classification was done in four steps. First, all the 117-features are classified using both classifiers. Second, the best classifier was found and then features were scaled to [-1, 1] and classified. In the third step, the with or without feature scaling which gives better performance was derived from the results of the second step and the classification was done for each of the basic sta-tistical measures separately. Finally, in the fourth step, the combination of statistical measures which gives better per-formance was derived using the forward feature selection method Experiments were carried out using k-NN with different k values and a linear OVA-based SVM classifier with different optimal values. Berlin emotional speech da-tabase for the German language was utilized for testing the planned methodology and recognition rates as high as 60% accomplished for the recognition of emotion from voice signal for the set of statistical measures (median, maximum, mean, Inter-quartile range, skewness). OVA-SVM performs better than k-NN and the use of the feature selection technique gives a high rate.     

基于SVM的汉语语音情感识别研究

随着信息技术的发展,对人机交互能力的要求不断提高,情感信息处理已成为提高人机交互能力的一个重要课题.本文提出了一种汉语语音情感分类方法,主要研究了4种基本的人类情感:高兴、愤怒、恐惧、悲伤.从汉语语音信号中提取了能量、基频、语速等特征,利用支持向量机方法识别,取得了43.7%的平均识别率.     

Power quality disturbance classificationbased on time-frequency domain multifeatureand decision tree

Accurate classification of power quality disturbance is the premise and basis for improving and governing power quality. A method for power quality disturbance classification based on time-frequency domain multi-feature and decision tree is presented. Wavelet transform and S-transform are used to extract the feature quantity of each power quality disturbance signal, and a decision tree with classification rules is then constructed for classification and recognition based on the extracted feature quantity. The classification rules and decision tree classifier are established by combining the energy spectrum feature quantity extracted by wavelet transform and other seven time-frequency domain feature quantities extracted by S-transform. Simulation results show that the proposed method can effectively identify six types of common single disturbance signals and two mixed disturbance signals, with fast classification speed and adequate noise resistance. Its classification accuracy is also higher than those of support vector machine (SVM) and k-nearest neighbor (KNN) algorithms. Compared with the method that only uses S-transform, the proposed feature extraction method has more abundant features and higher classification accuracy for power quality disturbance.     

电能质量复合扰动分类识别

电能质量扰动的分类分为信号特征提取和分类器2个阶段,采用S变换和支持向量机构造电能质量复合扰动的分类识别方案.利用S变换进行扰动信号特征提取,构造支持向量机静态分类树,再通过基于Mercer核的聚类方法对静态分类树进行动态扩展,形成动态分类树,实现对复合扰动的识别.给出了电能质量复合扰动分类算法的4个步骤:构建静态分类树;用基于Mercer核的聚类方法进行聚类分析;构建动态分类树;对新发现的扰动确定其具体类型,并给其命名.算例表明该方法不仅可以有效分类识别电压突降、电压突升、电压中断、暂态振荡、电压尖峰、电压缺口和谐波等7种电能质量扰动,还可以识别由其组合而成的电能质量复合扰动.     

基于 MIC 心率变异性特征选择的情感识别研究

心率变异性分析能够在情感识别中发挥重要作用,为了建立心电与情感类别之间的精准模型,提出了基于最大信息系 数(maximal information coefficient,MIC)的特征选择方法。 使用 Aubt 数据库和设计情感诱发实验进行研究,首先提取了心率变 异性时域、频域、非线性及时频域 40 个特征参数,然后基于 MIC 方法结合支持向量机、随机森林、K 近邻算法进行情感建模。 结 果显示,基于 MIC 特征选择方法,使用 Aubt 数据库针对唤醒度、效价、4 类情感的分类准确度分别为 90%、89%、84%,并进一步 选用皮尔森相关系数、ANOVA 特征选择方法与 MIC 进行对比;诱发实验数据中的多种一对一情感识别率均高于 75%。 结果表 明基于 MIC 特征选择方法能够显著提高分类准确度,对基于心电信号进行情感识别具有重要意义。     

一种人脸特征选择新方法的研究

本文提出一种人脸特征复合选择的新方法.首先对原始图像进行小波2阶分解和KPCA进行特征提取,然后将获得的特征进行SVM训练,经过GSFS反复选择具有最小间隔的支持向量作为最佳特征组合,最后输入线性SVM分类器进行分类.实验报告了本方法在UMIST及IITL人脸数据库上的应用,并对特征选择前后的分类能力及速度进行了比较,结果显示经过本方法的特征选择后,人脸识别能力有所提高,分类速度明显加快.     

基于测量阻抗变化轨迹智能识别的发电机失磁保护

为了提高发电机失磁保护的选择性和速动性,提出了一种基于支持向量机（SVM）进行轨迹智能识别的发电机失磁保护方法。机端测量阻抗轨迹蕴含大量发电机运行信息,其运动特征能反映发电机的运行状态。首先对机端测量阻抗轨迹进行运动特征提取,将提取的运动特征序列分别进行统计学参数计算,形成24维特征;其次通过相关系数分析和前向序惯法进行特征选择,形成相应的训练输入特征空间,并采用遗传模拟退火算法对SVM进行参数寻优;最后通过仿真样本验证了该方法可准确识别失磁故障。相比传统失磁保护,该方法提高了发电机失磁保护动作的选择性和速动性。     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择。通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性。