基于WA-ABC-LSSVM的电气故障诊断

为了改善当前电气故障诊断的效果,提出一种基于小波消噪和人工蜂群优化最小二乘支持向量机的电气故障诊断方法(WA-ABC-LSSVM)。首先收集电气状态信息,并采用小波变换对其进行去噪处理,消除噪声的干扰,然后提取电气状态中的特征,并且进行归一化处理,最后采用训练样本对最小二乘支持向量机进行训练,采用人工蜂群算法优化最小二乘支持向量机参数,建立电气故障诊断分类器。仿真实验结果表明,本文方法可以较好描述电气系统的工作状态,诊断性能要明显优于其它的电气故障诊断方法。     

差分杂草算法优化SVM的模拟电路故障诊断

针对非线性模拟电路软故障检测和定位难题,提出一种差分杂草算法(DEIWO)优化支持向量机(SVM)的故障诊断新策略。首先利用递推最小二乘算法对电路Volterra级数时域核进行辨识提取故障特征,然后用差分杂草算法(DEIWO)优化支持向量机参数建立故障诊断模型,后对故障进行分类识别,完成故障诊断。仿真结果表明,该方法具有较高的准确率。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

基于参数优化支持向量机的矿用变压器故障诊断

支持向量机（Support Vector Machines,SVM）理论在变压器故障诊断中得到了越来越多的应用,由于变压器故障数据有限,在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,本文提出了支持向量机的参数和参数的交叉验证算法,寻找最佳的参数和参数,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,具有较高的故障诊断准确率。     

基于小波与LS-SVM集成的模拟电路故障检测

由于模拟电路的多样性、非线性和离散性等特点,模拟电路的故障诊断呈现复杂、难以辨识等问题。针对已有方法的数据不平衡,提出了一种支持向量机集成的故障诊断方法。使用小波变换方法提取特征向量,在多类别支持向量机的基础上,设计了模拟电路的最小二乘支持向量机预测模型,实现了对模拟电路的状态的故障预测。将该方法应用于Sallen-Key带通电路进行故障预测试验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和APSVM有更好的分类和泛化性能,故障诊断准确率更高。     

基于优化支持向量机参数的变压器故障诊断

电力变压器是电力系统输变电的枢纽设备,为了提高电力变压器故障诊断的准确性,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力。首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够正确的分类变压器故障,从而达到故障诊断的目的。     

基于改进LSSVM的城市轨道交通供电故障诊断方法

小样本条件下供电系统故障快速诊断是保证城市轨道交通安全稳定运行的保证.文中提出了一种基于量子粒子群优化最小二乘支持向量机(LSSVM)的供电系统故障诊断方法.该方法首先基于主成分分析提取能够表征系统运行状态的特征参数,并降低数据维数.然后利用LSSVM构建小样本故障诊断模型,通过量子粒子群算法对LSSVM模型参数进行优...     

基于支持向量机的变压器故障诊断

针对变压器故障诊断中缺少实际典型故障样本的问题,提出了支持向量机（SVMs）变压器故障诊断方法。该方法采用K均值聚类（KMC）对变压器油中5种特征气体样本进行预选取作为特征向量,输入到多分类支持向量机中进行训练,建立SVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。     

自动文本分类技术研究

随着万维网的发展,文本分类成为处理和组织大量文档数据的关键技术。在阐述了文本分类算法的研究现状,分析了朴素贝叶斯(Na ve Bayes)、kNN和支持向量机(SVM)经典文本分类算法之后,提出了应用最小二乘支持向量机(LSSVM)算法来实现文本分类。对使用用最小二乘支持向量机和一般支持向量机的文本分类结果进行了比较,并得出了结论:使用最小二乘支持向量机进行文本分类缩短了文本分类的时间,并保证了一定的召回率和准确率。     

基于SVM的纠错编码多分类算法的研究与应用

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体(DGA)作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

基于RS-PSO-SVM集成的模拟电路软故障诊断

针对模拟电路软故障诊断准确度不高的问题,提出一种基于粗糙集(RS)-粒子群算法(PSO)-支持向量机(SVM)集成的模拟电路软故障诊断方法。首先利用粗糙集理论对采集的模拟电路软故障特征信息进行维数约简,然后利用粒子群算法对支持向量机的参数进行优化,以提高支持向量机分类器的诊断性能,最后进行故障诊断。对四运放双二次高通滤波器进行仿真,实验结果表明,基于RS-PSO-SVM集成的模拟电路软故障诊断方法是有效的。与其他常用方法相比,该诊断方法具有更好的故障诊断性能。     

基于谱聚类集成的变压器在线故障诊断

为了提高基于油中溶解气体分析技术(DGA)的变压器故障诊断准确率,本文提出了一种基于谱聚类集成的变压器在线故障诊断(TOFD-SCE)方法.以加权二次抽样算法抽取样本、构建基础谱聚类的样本集,以基础谱聚类学习问题的局部知识;平衡多样性与正确性选择集成成员;集成多个成员谱聚类的结果来提高变压器故障诊断的准确率.传统变压器故障诊断方法基于历史数据建立模型,缺乏在线学习的能力;TOFD-SCE利用历史与在线新增两种DGA数据来训练、修正模型,提高了其故障诊断的准确率.对SSP300000/500型变压器的故障诊断实验结果表明:TOFD-SCE的准确率优于IEC三比值法、BP神经网络法及支持向量机法,验证了其有效性.     

基于LMD和SVM算法的模拟电路故障诊断

对模拟故障电路进行特征提取与分类是模拟电路诊断的两个重要环节。现有方法多对时域响应信号进行小波变换以提取故障特征,并用神经网络或支持向量机方法实现对故障进行分类。为提高模拟电路故障诊断率,提出一种局域均值分解(LMD)与SVM相结合的新算法。该算法运用局域均值算法(LMD),将其自适应地分解为一系列单分量调幅-调频信号(PF),通过提取电路正常和故障状态的特征,运用SVM对其分类,获得诊断效率。仿真实验结果表明,该方法对模拟电路的故障诊断精度达到98%以上,适用于模拟电路的故障诊断。     

改进支持向量机的光纤陀螺温度漂移补偿方法

温度漂移是影响光纤陀螺精度的主要因素之一,温度漂移建模和补偿是消除和减小温度漂移的有效方法。首先分析了影响光纤陀螺温度漂移的关键因素,同时进行了光纤陀螺温度漂移测试实验。然后采用泛化能力较神经网络更好的支持向量机对光纤陀螺温度漂移进行回归、建模,其中支持向量机的核函数采用了具有更好数据集适应性的径向基核函数。为了提高支持向量机的建模精度,引入人工鱼群算法对支持向量机的核心参数C（惩罚系数）和核函数的参数进行寻优。最后,使用实际的光纤陀螺温度漂移数据对提出的补偿方法进行实验验证,结果表明采用该方法补偿后的剩余光纤陀螺误差较采用线性回归方法减小了四五个数量级。     

基于SVM和遗传算法的变频器故障诊断研究

提出一种基于遗传算法和支持向量机的故障诊断模型.该模型采用故障识别中的分类效果作为遗传算法中的适应度函数对故障信号进行特征提取和选择,得到更能反映故障类别的特征,作为识别特征输入多类支持向量机的输入,实现不同类别故障的识别.将该模型应用于变频器功率变换主电路的故障诊断.仿真结果表明,经过遗传算法提取的特征在保持分类精度的基础上,提高了变频器故障识别的效率.     

基于PSO-LSSVM的过电压识别

为了获得理想的过电压识别结果,提出了粒子群优化算法优化最小二乘支持向量机参数的过电压识别方法。首先采用小波变换对过电压原始信号进行分解,提取过电压信号的特征量,然后将过电压信号的特征量作为最小二乘支持向量机的输入,建立过电压识别分类器,并采用粒子群优化算法估计最小二乘支持向量机的参数,最后采用实测的过电压数据进行仿真实验,测试其可行性。结果表明,本文方法可以对各种类型的过电压信号进行准确分类和识别,识别结果稳定,且过电压识别率要高于其它方法。     

基于粒子群优化和支持向量机的电力负荷预测

提出支持向量机的粒子群优化算法的用电量预测方法.其中,采用粒子群优化算法选取较优的支持向量机训练参数组合.以江西省2008年7月～10月的用电量数据以及相关特征数据作为实验数据,实验结果表明该算法电量负荷预测精度高于BP神经网络.     

人工鱼群优化最小二乘支持向量机的视频字幕定位

征选择是视频字幕定位的关键,为了提高视频字幕定位正确率,提出一种人工鱼群算法(AFSA)和最小二乘支持向量机(LSSVM)相融合的视频字幕定位模型(AFSA-LSSVM)。首先提取视频字幕特征,然后通过模拟鱼群的觅食、聚群及追尾行为找到最优视频字幕特征子集,最后采用LSSVM建立最优视频字幕定位模型,并进行仿真对比实验。结果表明,相对其它视频字幕定位模型,AFSA-LSSVM提高了视频字幕定位正确率和效率,可为后续视频内容的安全分析提供技术支持.