基于支持向量机的鲁棒故障诊断方法研究

针对生产过程中因扰动、噪声等因素引起误报率高的问题,文中提出基于支持向量机（SVM）的鲁棒故障检测方法.采用SVM对建模不确定性部分进行辨识,且将结果作为补偿项加到观测器中,使残差在理想情况下只表现为故障的形式,消除了干扰、噪声等对残差的影响.而在故障辨识中,文中对基于积极集法的回归型增量支持向量机（RISVM）进行研究,不断考虑新数据对辨识模型的影响,实现故障的在线辨识.最后通过仿真算例验证所提方法的有效性.     

基于矩阵重构的多径接收鲁棒波束形成算法

针对存在失配误差时多径信号接收中的信号相消问题,提出了一种新的多径接收鲁棒波束形成算法。算法对信号来波方向进行预估,进行区间划分,基于干扰加噪声协方差矩阵重构,去除了接收数据中的期望信号及其多径相干信号分量,得出了波束形成最优权矢量的显式解;仿真实验表明：当存在失配误差时,算法不仅能够有效地接收多径相干信号,而且可以抑制干扰和噪声,在输入信噪比较高的情况下依然保持较好的性能,得到较高的输出信干噪比;算法在期望信号和多径信号数量较少且分布相对连续的情况下,能有效解决多径信号接收问题,提高了波束形成算法对模型失配误差的鲁棒性。     

基于支持向量机的装备故障诊断研究

支持向量机（SVM）是统计学习理论（SLT）的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.     

基于单通道接收机的鲁棒自适应波束形成算法

针对导向矢量失配误差导致自适应波束形成器性能下降和多通道接收机系统成本较高的问题,提出了基于单通道接收机的最差性能最优鲁棒Capon波束形成算法。该算法基于低成本的单通道接收机系统,仅对接收机输出功率进行测量,然后使用权微扰算法对协方差矩阵进行估计,并将问题转化为对最差性能最优的鲁棒Capon波束形成器进行导向矢量估计。仿真结果验证了算法的正确性和有效性,表明该基于单通道接收机的算法在大大降低系统成本的情况下,仍然可以达到与基于多通道接收阵列的鲁棒波束形成算法相当甚至更高的性能水平。     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时,分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导,而且由于学习过程中常采取近似计算,致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量;而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选,最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中,性能评价及分类结果表明,集成SVM比单- SVM具有更好的分类性能,故障诊断准确率更高。     

基于减量学习的鲁棒稀疏最小二乘支持向量回归机

针对最小二乘支持向量回归机缺乏鲁棒性和稀疏性,提出采用自下而上的学习方式和循环逐一删除样本框架的鲁棒稀疏算法。为增强鲁棒性,采用基于留一误差的鲁棒3σ准则检测并删除异常样本。为提高稀疏性,采用基于最小绝对留一误差的剪枝策略删除不重要样本。为降低计算量,采用快速留一误差和减量学习更新模型。实验结果表明:新算法有较强的鲁棒性,同时在模型泛化性能略有下降的情况下,支持向量数目大幅减少。     

基于二叉树支持向量机的某型装备故障诊断研究

提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

基于支持向量机的柴油机燃油系统故障诊断

介绍了支持向量机（SW）的机理,应用SVM对柴油机燃油系统进行故障诊断,通过试验确定了SVM参数的选择方法．实践诊断结果表明,SVM具有较好的诊断效果,对故障样本诊断的准确度较RBF神经网络高．     

基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。     

基于V-支持向量机与ε-支持向量机的非线性系统辨识

介绍了V-支持向量机与ε-支持向量回归机的原理,并针对函数辨识问题作了仿真和比较,分析了其异同与优缺点.探讨了利用支持向量机进行非线性系统辨识的方法,仿真结果表明了V-支持向量机的有效性与优越性,并分析了V-支持向量机中参数V的变化对辨识结果的影响.     

基于导向矢量实时校准的稳健波束形成算法

针对已有稳健波束形成算法实时性差、收敛速度慢、输出信干噪比(SINR)低的缺陷,提出基于导向矢量实时校准的稳健波束形成算法。该算法首先构造一个正定矩阵,然后根据真实期望信号正交于噪声子空间的原理,建立代价函数,采用最陡下降法自适应迭代求解权矢量,最后将权矢量投影到信号干扰子空间。仿真验证表明该算法实时性好、收敛速度快、输出 SINR高,在较大导向矢量误差范围内仍能保持良好性能,具有较高的实际应用价值。     

基于声矢量自适应干扰抵消的逆波束形成

为得到目标清晰的时间方位历程图,提出了一种将基元域声矢量自适应抵消技术与逆波束形成(IBF)相结合的方法。IBF可以得到窄的主瓣,同时可以提高对邻近目标的方位分辨力,采用声压与振速分量组合(p+vc)作为基元域自适应抵消的参考信号,可避免端射方向不再是探测盲区。对算法进行了海试实验验证,结果表明该方法既能有效地将本艇的固定方位(本艇自噪声)干扰抵消,又可以降低目标的时间方位历程图干扰背景,使时间方位历程更加清晰,同时也可以提高p+vc的抗左右舷模糊性能。     

基于改进式特征值二次对角加载的信源数估计方法

针对应用阵列天线进行信号接收时的信源数估计问题,提出一种基于改进式特征值二次对角加载的信源 数估计方法。对天线阵列观测信号协方差矩阵进行特征值分解;对特征值进行一次对角加载,对角加载量取所有特 征值的几何平均值,将原始特征值与对角加载值相加,取代原始特征值;重新计算特征值对角加载量,并进行二次 对角加载,使加载后的特征值满足噪声特征值的最大最小值之比不超过2 的条件,在此基础上,使用信息论准则类 方法和随机矩阵理论类方法实现信源数的估计。仿真实验结果表明,该信源数估计方法具有可行性。     

基于Bayes准则的支持向量机

支持向量机( SVM)在处理分类问题时,纯粹从样本的角度出发,其分类效果取决于训练样本的特性,不考虑待分类问题的当前信息。本文从导弹武器系统的数据交叉现象出发,通过对支持向量机的决策函数增加反映待分类问题当前信息的先验概率项,将Bayes准则融于支持向量机算法中,提高支持向量机的分类效果;给出了算法的推导以及实现步骤。通过导弹武器系统中的两个实例对算法进行验证,新算法比传统支持向量机算法具有更好的分类效果,并且算法的鲁棒性和敏感性都得到提高。     

基于模糊超球面支持向量机的超宽带SAR地雷检测

机载或车载超宽带合成孔径雷达(UWB SAR)可以大区域快速探测单个地雷和雷场,是探雷的发展趋势。虚警太多是UWB SAR探雷实用化的主要问题。本文提出了模糊超球面支持向量机( FHS-SVM)地雷检测器。FHS-SVM在高维核特征空间中构造封闭的超球面区分地雷和杂波,并在学习过程中利用隶属度定量表征地雷和杂波误判风险不同及地雷埋设环境变化等因素对检测器的影响。轨道地表穿透SAR(Rail-GPSAR)系统实测数据处理结果表明,FHS-SVM比传统超球面SVM(HS-SVM)和超平面SVM(HP-SVM)具有更好的检测性能。     

基于差分进化支持向量机的作战效能评估方法

武器系统作战效能的评估具有重要意义。针对作战效能评估过程中影响因素复杂、小样本、非线性等问题,引入基于最小二乘法的支持向量机回归算法,用于作战效能的学习与预测。为了提高预测精度,引入差分进化算法进行支持向量机的参数优化选取。以地地导弹武器系统效能为例,分别采用 BP神经网络算法、经典支持向量机算法与本文算法进行仿真计算,结果表明差分进化支持向量机算法可很好地实现武器系统作战效能评估,具有较好的计算精度。     

基于Gabor原子变换和支持向量机的毫米波雷达目标识别方法

为提高毫米波雷达目标识别能力,提出一种基于Gabor原子变换和支持向量机(SVM)的雷达目标识别方法。该方法充分利用了Gabor原子变换在信号表示方面的有效性以及SVM在分类方面的优越性,首先将雷达回波信号进行Gabor原子变换,获得信号的特征量,然后利用SVM网络进行分类识别。实验结果表明：该方法可行且具有较高的识别率。