基于支持向量机的局部放电模式识别

对电机绝缘系统的典型放电脉冲采用二维谱图提取的放电指纹特征,用支持向量机方法来识别不同的放电类型．识别结果令人满意,表明了支持向量机适于局部放电的识别,对改善局部放电在线监测系统的性能以及该项技术的实用化起到了一定作用．     

基于支持向量机的局部放电模式识别

对电机绝缘系统的典型放电脉冲采用二维谱图提取的放电指纹特征,用支持向量机方法来识别不同的放电类型.识别结果令人满意,表明了支持向量机适于局部放电的识别,对改善局部放电在线监测系统的性能以及该项技术的实用化起到了一定作用.     

神经网络在变压器超高频局部放电模式识别中的应用

结合自适应遗传算法(AGA)和BP算法各自的优点，构造了AGA-BP混合算法作为神经网络的学习算法、实验结果表明，AGA-BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力。     

神经网络在变压器超高频局部放电模式识别中的应用

结合自适应遗传算法 (AGA)和BP算法各自的优点 ,构造了AGA BP混合算法作为神经网络的学习算法 .实验结果表明 ,AGA BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题 ,又提高了AGA神经网络的收敛速度、稳定性和求解质量 ,具有较高的识别率和较强的推广能力     

基于小波神经网络局部放电模式识别方法的实验研究

针对局部放电信号频率的特点,在小波神经网络基础上,构造一个改进型小波神经网络,并把信号在小波基的不同尺度和位移上展开,得到信号在不同尺度下的小波细节系数,将其输入到该小波网络进行局部放电模式识别．实验仿真得出,识别的相对误差范围为0．1％-3．9％．     

支持向量机回归算法及其应用

支持向量机是建立在统计学习理论基础上的通用学习方法,它可较好地解决以往很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。笔者利用支持向量回归理论和方法,建立支持向量机的预测模型,并利用winSVM和MATLAB软件进行了实例预测,与二次回归预测值相比较,支持向量机预测模型具有更好的预测精度,且有很强的推广能力。     

基于MDS的电缆附件局部放电模式识别

针对电缆附件局部放电特征参数提取时,由于数据量不足难以形成图谱而导致特征提取困难这一问题,提出一种相位分割方法,同时结合多维尺度分析法（MDS）对特征值进行降维优化,识别出具有较高分类能力的最优特征量。通过在工频周期内对局放信号进行等角度分割,在每个分割区域进行特征值提取,获取更细微更具体的特征参数,再通过MDS对特征值降维优化以提高识别的速度和准确度。通过电力电缆附件典型缺陷的实验对比,结果表明该方法能在数据较少的情况下,较好地提取出特征值,且能得到更准确的识别结果。     

在线模糊支持向量机回归方法及其应用

针对全局建模方法很难精确描述实际生产过程,提出了一种模糊支持向量机回归建模算法,并推导出相应的增量与减量算法;在此基础上,提出了在线模糊支持向量机回归建模方法,该方法利用滚动时间窗内的数据优化建模,随着时间窗的滚动,在原有模糊支持向量机模型的基础上通过增量与减量算法实现参数的快速在线更新。通过将该方法用于丙烯腈收率的预测建模,结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以较好的跟踪丙烯腈收率的变化。     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

回归型加权支持向量机方法及其应用

针对各样本重要性的差异,提出了给各个样本的惩罚系数和误差要求赋予不同权重的加权支持向量机方法.给出了对偶最优化问题的描述及其SMO训练算法.在近红外光谱汽油辛烷值测定实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明采用加权支持向量机方法提高了汽油辛烷值的测量精度,从而说明了该方法可以提高回归估计函数的泛化能力.     

SVM模式识别技术及在机械故障诊断中的应用进展

支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.     

基于支持向量回归的音频水印提取方法

提出一种新的、基于支持向量回归(SVR)的音频水印提取方法.在该方法中,利用子采样技术将原始音频信号划分为四个子音频信号.这些子音频对应的DCT系数间具有高的相关性,将这种相关性视为一种回归问题.在水印提取过程中,利用支持向量回归来学习这种相关性,并使用训练好的SVR完成水印的提取.实验结果表明该方法对比其它几种方法有良好的性能和更好的鲁棒性.     

基于模糊ART神经网络的变压器局部放电模式识别

对变压器主要放电类型的3种局部放电典型电极模型进行试验,通过分析计算提取局部放电信号特征量,建立相应的局部放电信号特征库,以此作为模糊ART网络的输入,对局部放电的类型进行模式识别,并将识别结果与BP网络的识别结果进行对比。实验结果表明,模糊ART网络用于变压器局部放电模式识别是有效的。