基于人工蜂群算法优化支持向量机的变压器故障诊断

支持向量机参数的选择直接影响变压器故障诊断分类的准确率,为了提高变压器故障的诊断精度,提出一种基于人工蜂群算法优化支持向量机的变压器故障诊断模型。利用人工蜂群算法优化支持向量机的惩罚因子C和核函数参数σ。实验结果表明,文章提出的算法能够获得较高的故障诊断精度。     

基于遗传优化支持向量机的变压器故障诊断

电力变压器作为电力系统中的关键电力设备,其运行状态和电网的安全可靠运行息息相关,受到国内外研究者的广泛关注。对于电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,它对于发现变压器的潜伏性故障非常有效,然而由于电力变压器的故障样本比较少,属于小样本数据,而支持向量机对于处理小样本数据情况下的分类问题非常有效,因此文章结合支持向量机、油中溶解气体法来建立变压器故障诊断模型,另外支持向量机的核函数参数g和惩罚因子C对变压器故障诊断模型的诊断效果有重要影响,所以文章还利用遗传算法来找出最优的参数,从而使其具有最佳的诊断性能。     

基于IFWA-PNN的变压器故障诊断研究

为克服概率神经网络在判断变压器的故障类型方面的不足,文章采用改进的烟花算法优化概率神经网络（IFWA-PNN）的平滑因子。实例分析表明,提出的变压器故障诊断模型诊断准确率达到91.7%,相比传统的支持向量机诊断模型有较大提升,以此证明故障诊断模型的有效性和实用性。     

改进核函数的支持向量机智能诊断方法研究

针对目前支持向量机(SVM)智能诊断方法核函数选择困难以及参数选择具有随意性的问题,提出了基于模拟退火算法改进核函数的SVM智能诊断方法,重新设计了支持向量机的核函数以及参数。多项式核函数是局部核函数具有较强的拟合能力,而径向基核函数是全局核函数具有较强的外推能力,根据Mercer理论,建立一种由多项式核函数与径向基核函数组合而成的复合核函数,并利用模拟退火算法全局寻优的优点,对支持向量机的参数做最优选择;改进后的SVM运用于轴承故障诊断。研究结果表明:相对于传统SVM法,该方法具有较好的学习效率及较高的诊断准确率;该方法运用于轴承故障诊断领域极大地提高了故障诊断的准确率以及诊断效率。该研究为基于模拟退火算法改进核函数的SVM智能诊断方法应用于机械设备故障诊断提供了相应的理论和实践依据。     

支持向量机在入侵检测中的应用研究

介绍支持向量机和入侵检测的有关知识,从系统的有效性、可适应性和可扩展性的角度分析孝前入侵检测系统存在的问题以及将支持向量机应用于入侵检测系统的优点,同时提出一种基于支持向量机的入侵检测系统模型,并描述了该模型体系结构及其主要功能。     

基于支持向量机的造纸废水处理过程故障诊断

故障检测和故障诊断是工业过程监控的主要内容。针对造纸废水处理过程的多变量、非线性、大时变等特点,本课题首先采用主成分分析（PCA）对故障进行检测,然后分别采用马氏距离判别分析和支持向量机(SVM)对偏移、漂移和精度下降3种故障类型进行故障诊断。计算结果表明,基于主成分分析的故障检测率达97.50%;基于支持向量机故障诊断方法的故障分离能力为90.00%,而基于马氏距离判别分析方法的故障分离能力为73.75%。相比基于马氏距离判别分析的故障诊断方法,基于支持向量机的故障诊断方法更适合于非线性时变的造纸废水处理过程。     

支持向量机在变压器故障诊断中的应用

变压器故障诊断的本质是一个多分类识别问题。支持向量机（Suppot Vector Machine,SVM）能够在小样本的情况下很好的解决这种故障识别,而参数合理选择对SVM的分类性能有很大的影响。讨论利用多种算法优化SVM分类器参数,并结合LIBSVM工具箱进行分析,给出了其GUI图形界面。对比分析了单一算法和混合算法对SVM性能的影响,并结合具体数据进行实例验证,可以作为变压器故障诊断辅助方法。     

改进的支持向量机算法在人脸识别上的应用

支持向量机算法作为一种新的机器学习方法,在处理小样本分类问题上具有明显优势,但核函数和参数的选取直接影响支持向量机算法的性能.针对该问题,文中通过组合全局核函数和局部核函数的混合核函数方法,建立了基于粒子群算法的混合核支持向量机算法,并将其用于ORL人脸数据库的人脸识别测试.结果表明,该改进算法较标准的支持向量机算法具有更高的识别率.     

支持向量机在酒精发酵过程建模中的应用

支持向量机(SVM)是近年来发展起来的一种基于统计学习理论,采用结构风险最小化的新型学习机器.将支持向量机应用到酒精发酵生产过程建模中,仿真结果表明,支持向量机模型是有效的,SVM模型比BP网络模型有更好的预测能力.     

基于高光谱成像技术的水果表面农药残留无损检测

在高光谱成像技术的基础上,提出了一种应用于水果表面农药残留的无损检测方法。对采集数据进行预处理和特征提取,通过细菌群体趋药性算法找到最优的最小二乘支持向量机参数,建立农残检测模型,并与最小二乘支持向量机模型进行比较,验证该模型的优越性和准确性。结果表明,基于连续投影法特征波长结合文中检测模型具有最高的检测精度,其准确率达97.92%。     

模糊型支持向量机及其在入侵检测中的应用

支持向量机是一种基于结构风险的机器学习方法,克服了传统学习方法仅采用经验风险最小化原理的不合理性,为此,研究人员将样本的隶属度引入到支持向量机中,以此解决支持向量机所存在的问题。在此基础上,文章通过分析研究模糊支持向量机FSVM、v型模糊支持向量机v-FSVM、模糊孪生支持向量机FTSVM,提出了v型模糊孪生支持向量机v-FTSVM;实验中选择了UCI数据集,验证了模糊型孪生支持向量机的性能。最后,将这些不同的支持向量机应用于入侵检测数据集,进一步检验模糊型支持向量机的有效性。     

一种具有分类细化功能的垃圾语言识别方法

为了筛选出散播垃圾语音的用户,建立了一种采用基于加权k-means和支持向量机的垃圾语言识别方法.该方法依据用户的历史通信活动建立通信行为网络模型,用加权的k-means算法对用户进行半监督聚类,然后从每个类中均匀选取部分用户数据作为训练集,采用支持向量机获得训练模型用以预测剩余用户数据.实验结果表明,该方法的用户分类更细化,并具备预测功能,有一定的机器学习能力,可用于大客户发现及关联客户发现和业务推荐等.     

南美白对虾货架期预测指标选择及模型研究

为研究南美白对虾品质指标与货架期之间的关系及南美白对虾在贮藏过程中的品质变化过程,精确预测其剩余货架期,通过检测277,272.2,255K温度下南美白对虾的感官指标、理化指标和微生物指标,分别针对南美白对虾品质检测的综合指标和部分关键指标,以支持向量机模型和BP神经网络模型为基础,建立南美白对虾货架期预测模型。结果表明:基于综合指标构建的货架期预测模型的预测精度(支持向量机为97.71%,BP为91.41%)比基于关键指标的(支持向量机为84.08%,BP为83.76%)高;基于支持向量机的预测模型的预测精度(关键指标为84.08%,综合指标为97.71%)比BP预测模型的(关键指标为83.76%,综合指标为91.41%)高;基于综合指标的支持向量机预测模型的预测精度是4种模型中最高的,为97.71%。该结论也可为支持向量机方法和预测指标选择在其他食品领域货架期的应用研究提供一定的参考。     

基于电子舌的电子烟甜度评价模型研究

为了建立电子烟甜度定量分析的客观方法,利用电子舌对60个电子烟液样品进行测定得到60组数据,通过偏最小二乘、人工神经网络和支持向量机三种方法对电子舌测定数据与人工感官数据进行关联分析,建立了三个电子烟甜度评价模型。三个模型的比较结果显示,支持向量机法所建立的模型对未知电子烟样品甜度预测结果最为可靠,其中该模型的相关系数为0.96,预测结果的平均相对误差为7.30%,预测结果的均方根误差为0.61。由此可知,电子舌结合支持向量机法所建立的评价模型,可以实现对未知电子烟甜度的可靠预测。      

基于支持向量机的白酒上甑探汽方法研究

针对白酒"探汽上甑"工艺在实现自动化过程中出现的探汽准确率低的问题,提出了一种基于支持向量机的探汽方法。使用红外热成像仪采集甑桶内酒醅表面的红外灰度图像并进行直方图处理,再提取多个特征,结合工程经验添加标签构成训练集,通过支持向量机训练得到上甑过程中的探汽模型。通过测试,该方法的探汽准确率高达96%,能满足白酒生产工艺要求。     

基于支持向量机的食源性致病菌近红外光谱鉴别

以近红外光谱法结合支持向量机对大肠杆菌O157∶H7、单增李斯特菌、金黄色葡萄球菌进行了分类鉴别。对预处理后的3 种食源性致病菌近红外光谱数据进行主成分分析,以前26 个主成分向量为支持向量机输入量建立支持向量机模型,对径向基函数核函数分类器与多项式核函数分类器进行了对比分析。结果表明,以径向基函数为核函数的支持向量机在核参数为0.5时对3 种食源性致病菌的鉴别效果最好,与国标方法相比结果一致,其鉴别准确率均达到100%。     

浅谈基于机器学习的木材干燥建模方法

介绍了目前国内外对于木材干燥建模的研究现状.针对木材干燥过程的强耦合、非线性等特点,探讨了应用目前常用的两种基于机器学习的非线性系统建模方法-神经网络和支持向量机建立木材干燥模型的可行性,给出了基于神经网络和支持向量机的木材干燥模型,并分析了这两种木材干燥模型的结构和优缺点.     

基于决策融合的苹果分级检测关键技术研究

提出了一种判别树和改进支持向量机决策融合的苹果分级方法。采用判别树分类方法根据果径、缺陷区域、色泽等进行分类,采用粒子群对支持向量机分类模型进行优化,根据果形、纹理和成熟度等高维特征进行分类,使用核主成分分析法降低维度,并引入决策融合的概念,结合单一特征对样本等级进行综合评估。结果表明,该方法是切实可行的,其分类准确性为98%以上,可用于苹果的有效分级。     

铜闪速熔炼过程操作模式的多类分类策略研究

针对铜闪速熔炼操作模式易获取而标记困难的特点,文章利用支持向量机在解决小样本、非线性及高维模式识别问题中特有的优势,构造了一种基于边缘交叉的支持向量机决策树模型,能有效的减小传统决策树方法出现的误差积累现象,提高铜闪速熔炼过程操作模式分类的准确度。     

基于决策树支持向量机的苹果表面缺陷识别

在基于机器视觉苹果缺陷识别过程中,因果梗/花萼与缺陷表皮颜色相似,极大地降低苹果表面缺陷识别准确率,提出一种基于决策树支持向量机(DT-SVM)的苹果表面缺陷识别方法。该方法首先采用单阈值法去除背景,其次在R通道中利用Otsu法和连通域标记法提取目标区域(果梗、花萼和缺陷)的颜色、纹理和形状特征,最后利用决策树支持向量机进行识别。以600幅富士苹果图像为例,使用该方法进行缺陷识别,结果表明该方法的平均准确率为97.7%。与1-V-1多分类支持向量机(1-V-1SVM)和AdaBoost分类算法相比,DT-SVM方法正确率高、耗时短。说明决策树支持向量机对苹果表面缺陷识别十分有效。