一种新的半监督直推式支持向量机分类算法

传统的支持向量机(SVM)是一种有监督学习方法,需要大量有标记样本,然而有标记样本的数量十分有限且获得困难。因此,当存在海量的无标记样本时,如何有效地利用这些数据成为了机器学习面临的重要任务。研究提出了一种新的半监督直推式支持向量机分类算法,将半监督算法与支持向量机结合,在迭代算法中将无标签样本与有标签样本结合,逐渐得到更可信的分类超平面。理论分析和计算机仿真结果都表明,研究提出的样本能够有效地利用大量的无标签样本,并且无标签样本的加入能够有效地提高分类准确率。     

一种改进的滚动轴承故障诊断方法

为提高滚动轴承故障诊断分类器的训练正确率,以及缩短训练时间,根据其训练集即含有标签样本、也含有无标签样本的特点,将LS_SVM与半监督学习相结合,充分利用训练集中的有效信息,给出一种基于SLS_SVM的滚动轴承故障诊断方法.将该方法与标准SVM和半监督学习SVM方法相比.其不但能提高训练正确率,也能缩短训练所需时间.通过诊断试验,验证了该算法的有效性及高效性.     

基于半监督最大间隔字典学习的故障诊断方法

针对有标记故障样本不足及传统半监督诊断方法识别率低的问题,提出基于半监督最大间隔字典学习算法(semi-supervised max-margin dictionary learning,简称SSMMDL)的故障诊断方法。该方法将无标记样本重构误差项添加至最大间隔字典学习算法模型中,通过最小化无标记样本稀疏重构误差项、有标记样本稀疏重构误差项、支持向量机的损失函数正则项和分类间隔正则项,实现字典和支持向量机的同步学习,从而获得判别能力较强的字典。在此基础上,运用稀疏编码获得测试样本的稀疏表示,利用基于稀疏表示的分类器进行故障识别。通过对转子不同故障进行识别,结果表明所提方法较相关对比算法识别准确率更高,可以满足机械故障在线监测的需要。     

旋转机械故障的拉普拉斯支持向量机诊断方法

在旋转机械故障智能诊断中,收集大量的样本比较容易,而要对所有的样本进行类别标记却较为困难。针对这一问题,提出了一种基于拉普拉斯支持向量机的旋转机械故障智能诊断方法。滚动轴承故障诊断实例表明,有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,基于拉普拉斯支持向量机的诊断方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。     

基于模糊K近邻决策的柔性SVM分类算法

当海量样本之间相互混迭时,支持向量数目急剧增加,导致训练难度增大的同时SVM分类器性能明显下降.针对该问题,在此构造模糊KNN决策与支持向量机相结合的新的柔性SVM分类器.它先建立所有训练样本的类间最近邻距离,根据各个训练数据的类间最近邻距离进行升序排列;然后根据模糊k近邻分析结果对训练样本集进行修剪,在剩余空间中选择合适规模的样本子空间进行SVM训练.在分类阶段,首先计算待识别样本和SVM超平面的距离,如果距离大于某一设定门限,直接利用SVM进行分类,否则带入到所有支持向量与修剪样本合成的模糊KNN分类器中进行分类判决.对比实验结果表明,提出的算法无论是训练速度还是分类精度都远远好于单独的SVM分类器.     

基于小波核扩散与双阶段SVM的轴承复合故障分类方法

轴承复合故障分类中存在故障特征强线性不可分及故障数据标签不足问题,严重影响分类精度。为此,提出基于双阶段支持向量机(SVM)与小波核扩散的轴承复合故障分类方法。针对故障特征强线性不可分,使用小波核函数对其进行高维空间映射,并利用极大重叠离散小波包变换获取信号在不同频带上的能量分布作为故障特征;针对故障数据标签不足,提出增量式核空间标签扩散的双阶段SVM分类模型,在小波核空间核差异距离基础上,利用增量式核空间标签扩散对训练样本的近邻样本、粗分阶段边界样本进行扩充,并在细分阶段依据扩充后的样本完成模型训练。3组轴承复合故障数据验证了所提方法的有效性,实验研究表明,在单类训练样本为5的条件下,所提方法比SVM分类准确率平均提升7.5%,并优于其他流行算法。     

最速上升关联向量机高光谱影像分类

针对高光谱影像近邻波段高度相关,直接在高维空间分类并非最优的问题,提出了基于最速上升和关联向量机(SA-RVM)的高光谱影像分类算法.使用最速上升(SA)算法搜索最优特征子空间,剔除冗余特征;然后,在特征子空间中训练RVM并分类.对4套测试数据进行的实验表明,SA选择的特征子空间中,RVM分类精度提高了2.5％以上,与支持向量机(SVM)相当.对训练样本较少的2套数据,精度提高了5.63％和6.2％.此外,SA-RVM的解稀疏,预测未知样本类别属性所需时间短.总体来看,SA-RVM精度高、判别速度快,适合处理大场景高光谱影像.     

[机械装备再制造]考虑失效特征的废旧零部件再制造成本预测模型研究

分析了废旧零部件失效特征对其再制造成本的影响,建立了一种基于失效特征的废旧零部件再制造成本预测模型,该模型将半监督学习与最小二乘支持向量机回归（LS-SVR）算法相结合,实现了在只有少量已完成再制造的废旧零部件样本和大量未知再制造成本的零部件样本的条件下,对废旧零件再制造成本的预测。该算法加入了k最近邻(kNN)算法,以kNN为辅、LS-SVR为主对未标记的样本进行置信度评估,将各阶段最优未标记样本逐步添加进有标记的样本集中,逐步更新预测模型,能够有效降低噪声,提高模型精度。经案例验证,提出的算法具有良好的回归预测能力和泛化能力。     

基于半监督LLTSA维数约简的故障诊断

线性局部切空间排列(LLTSA)为无监督的维数约简方法,在对高维故障特征集进行维数约简时,不能利用部分样本的类别标签信息,使得获得的低维特征仍出现混叠的情况。针对这个问题,提出了半监督线性局部切空间排列(SS-LLTSA)的维数约简方法,即利用部分标签信息来调整样本点与点之间的距离以形成新的距离矩阵,通过新的距离矩阵进行邻域构建,实现了数据本质流行结构和类别标签信息的结合,能够提取区分度更好的低维特征。此外,还通过支持向量机(SVM)来建立低维特征与故障类别的对应关系,实现故障诊断。SS-LLTSA维数约简增强了故障特征的辨识能力,而SVM优异的模式识别能力能够进一步提高故障诊断精度。滚动轴承的故障诊断实例验证了所提故障诊断方法的有效性。     

一种新的基于聚类的SVM迭代算法

提出了一种新的基于聚类的支持向量机迭代算法,该算法首先通过聚类方法从训练样本集中选择出最有可能成为支持向量的一组向量组成训练子集,再用迭代训练的方法迅速构建一个最优SVM分类器.实验证明,该算法使SVM训练时间大为缩短,在不影响正确率的前提下使算法的效率得到大幅度的提高.