压缩式垃圾车液压系统故障诊断方法研究

针对传统液压系统故障诊断方法诊断效率低、诊断精度不高等问题,以垃圾车液压系统为研究对象,提出了基于支持向量机的液压系统故障诊断方法.运用AMEsim软件建立垃圾车液压系统仿真模型、采集故障数据,利用故障数据建立支持向量机分类模型并进行参数寻优,最后利用分类模型对液压系统未知故障样本进行测试.仿真结果表明,上述函数和惩罚因子的选择对诊断精度影响较大;支持向量机诊断方法能更加有效提取液压系统故障信息,有更高的故障诊断精度和诊断效率.     

PCA-SVM在网络入侵检测中的仿真研究

研究网络安全问题,针对网络入侵数据是一种小样本、高维和冗余数据,传统检测方法无法进行很好降维且基于大样本数据,因此入侵检测率低.为了提高网络入侵检测率和网络安全,提出一种主成分分析(PCA)的支持向量机(SVM)网络入侵检测方法(PCA-SVM).PCA-SVM首先通过PCA对网络入侵原始数据进行维数和消除冗余信息处理,减少了支持向量机的输入,采用粒子算法对支持向量机参数进行优化,获得最优网络入侵支持向量机检测模型,最后最优支持向量机模型对网络入侵数据进行测试.采用网络数据集在Madab平台上对PCA-SVM算法进行仿真,结果表明,采用PCA-SVM加快了网络入侵检测速度,提高了检测率,降低了网络入侵漏报率,为网络入侵检测提供了一种实时检测工具.     

基于PCA-SVM的区域经济预测研究

针对区域经济存在高度的非线性、各指标间存在数据冗余等特征,使得传统的经济预测方法精度较低,为解决上述问题,提出了一个基于主成份分析的支持向量机的区域经济预测模型(PCA-SVM).选择对影响长株潭区域经济发展的各因子进行主成份分析,消除各因子之间的冗余性,从而减少了支持向量机的输入维数,增加了支持向量机预测速度,利用PCA-SVM模型对长株潭2003-2007年经济数据进行了验证性测试和分析,结果表明,相对于各参比模型,PCA-SVM模型预测精度显著提高,是一种高效的区域经济预测模型,为预测研究提供依据.     

基于小波包特征熵支持向量机的故障分类方法研究

提出了一种基于小波包特征熵和支持向量机相结合的故障分类方法,利用小波包分解提取信号的特征熵.然后将得到的特征熵向量输入支持向量机进行故障识别;通过对某型飞机液压系统试验中获取不同的故障特征数据进行分类,结果表明,该方法能利用较少的故障特征得到较高的诊断精度,与BP神经网络相比,采用支持向量机进行故障分类可以获得更高的识别率,表明该方法是有效、可行的.     

面向不平衡样本集的变速器故障分类判别算法研究

针对变速器新产品故障检测问题,提出以阶次分析进行故障特征提取和支持向量机分类器进行故障分类的方法.通过建立二层支持向量机分类判别模型和对惩罚因子C的调整,解决了在训练样本集不平衡的情况下标准支持向量机分类器的分类面偏向样本数量较多类别的问题.通过对现场数据的实验结果表明,该方法的故障识别率和运行时间比BP神经网络和标准支持向量机算法均有较大提高.     

基于LS-SVM和SVM的气动执行器故障诊断方法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于最小二乘支持向量机(LS-SVM)回归建模和支持向量多分类机(SVM)的执行器故障诊断方法,该方法利用LS-SVM回归建立气动执行器的正常模型,将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。利用聚类方法设计了层次支持向量多分类机结构,以残差作为输入建立支持向量多分类机,判断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于PCA-SVM的故障诊断方法进行了比较,结果表明该方法有效的解决了气动执行器故障诊断的小样本和非线性问题。     

PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

支持向量机在期货价格预测中的应用研究

关于期货价格准确预测是投资者关心的问题.针对影响期货价格因素间存在高度的非线性、影响因子间存在冗余等特征,传统期货价格预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高期货价格预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)期货价格预测方法(PCA-SVM).首先利用主成分分析对期货价格影响因子进行分析和处理,消除各因子之间的高度冗余性,通过选择贡献大的主成分有效地除去无关的影响因子,加快支持向量机学习速度,提高预测精度,然后利用支持向量机对保留的主成成分进行建模预测.利用PCA-SVM模型对2009年8月Kcbt期货价格进行了验证性分析和测试,仿真结果表明,预测效果稳定,提高期货价格预测精度.证明PCA-SVM是一种有效、高精度的期货价格预测方法.     

基于线性规划的分类支持向量机

针对支持向量机(Support Vector Machine,SVM)在分类问题上的运用,分析在结构风险中采用一般范数控制模型的复杂性问题,提出基于l1-范数和l∞-范数的两种线性规划支持向量机,包括线性支持向量机和非线性支持向量机.采用模拟数据对4种支持向量机进行数值试验,其中有3种是线性规划支持向量机(包括提出的两种支持向量机)和经典的二次规划支持向量机.实验结果表明,对线性支持向量机中3种支持向量机计算的模型参数均与理论值接近;对非线性支持向量机情形中l1-范数支持向量机具有最少的支持向量和较好的学习效果.     

液压伺服作动系统力纷争敏感度及机理研究

液压伺服作动系统存在的力纷争问题会引起作动系统性能下降、飞机舵面结构疲劳,影响飞机安全。为解决上述问题,建立了考虑较完整电液伺服阀模型以及飞机舵面结构参数的并联作动系统数学模型,提出了对液压伺服作动系统力纷争关键敏感参数及形成机理的研究方法。将潜在影响力纷争的因素整合为控制器参数、电液伺服阀参数、作动系统结构参数、气动力参数四类,并研究了各类参数变化对力纷争的影响。结果表明,控制器参数和电液伺服阀参数是影响力纷争的关键因素,此外,通过对伺服阀位移、作动器位移/速率和力纷争之间作用关系和影响模式的研究,找到控制器差异和伺服阀差异形成力纷争的不同机理。分析结果对液压伺服作动器的设计及力纷争的解决提供了理论依据。