基于SVM—GMM混合模型说话人辨认的研究

建立一种新的混合模型-SVM-GMM模型,用以提高说话人辨认的识别率。阐述高斯混合模型（GMM）和支持向量机（SVM）建立的基本原理,分别指出高斯混合模型和支持向量机在实际应用中的不足之处,并针对两种模型的特点,提出将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量（SVM）模型的概率输出,并建立SVM-GMM混合模型。通过实验对比,验证使用SVM-GMM模型能有效地提高系统识别率。     

SVM方法在武器装备综合论证中的应用

针对现有武器装备综合论证存在的不足，引入了基于支持向量机（support vecto rmachine，SVM）的多属性决策方法。分析了多属性决策支持向量机方法的机理；建立了多属性决策支持向量机方法的价值函数决策模型和方案序关系决策模型，用以训练支持向量机；提出了基于支持向量回归和分类的多属性决策支持向量机实现算法。最后给出了一个算例。     

基于SVM-GMM混合模型的说话人辨认研究

通过建立一种新的混合模型——SVM-GMM模型,用以提高说话人辨认的识别率。其中介绍了高斯混合模型(GMM)和支持向量机(SVM)建立的基本原理,指出了高斯混合模型和支持向量机在实际应用中的不足之处,并针对这两种模型各自的特点,提出了将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量机(SVM)模型的概率输出,并建立了SVM-GMM混合模型。通过实验对比,验证了使用SVM-GMM模型能有效的提高系统识别率。     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

基于SVM的老年痴呆症智能诊断研究

为了验证支持向量机（SVM）更适用于基于血常规数据的老年痴呆症的预测诊断,通过仿真实验,将BP神经网络、RBF神经网络、SVM支持向量机分别应用于老年痴呆症的预测诊断,建立3种算法对应的诊断模型,并对3种模型的预测结果进行分析比较,仿真实验在Matlab软件平台上进行. 结果表明,与BP、RBF神经网络方法相比,SVM模型预测准确度高,建模时间短,整体性能好,更适用于基于血常规数据的老年痴呆症预测诊断,实际应用时可以此结论作为理论指导.     

基于贝叶斯优化XGBoost算法的变压器故障诊断

为提升对高能放电等小样本故障诊断的敏感度，提出基于贝叶斯优化极端梯度提升算法（BO-XGBoost）的变压器故障诊断模型。分析了贝叶斯优化XGBoost算法的基本原理和基于该算法进行变压器故障诊断的流程，选取259组故障样本，探讨了该模型的具体应用，并将其与XGBoost、支持向量机（SVM）、随机森林（RF）、K邻近法（KNN）等模型进行对比。结果表明，BO-XGBoost模型在变压器故障诊断中的精度为98.08%，比前述模型的诊断精度分别提高了5.77%、27.42%、22.58%、19.5%。     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

基于信息熵和SVM多分类的飞机液压系统故障诊断

飞机液压系统是典型的非线性系统,故障机理复杂,提取故障信息困难,且故障样本较少。针对飞机液压系统部件故障,文章采用了基于信息熵特征权值分配和支持向量机(SVM)多分类的故障诊断方法。先提取飞机液压系统压力信号的统计特征,然后通过计算特征信息熵为特征分配相应权值,将权值较大的特征作为支持向量机的输入向量,最后建立SVM多分类器将正常与多种故障状态进行分类;所采用的方法不仅有效降低了支持向量机模型的计算复杂度,而且提高了分类精度。通过建立飞机起落架收放系统仿真模型,对该故障诊断方法进行了验证研究。仿真结果表明,该方法选用高斯径向基核函数能够有效对液压系统进行故障诊断。     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。     

舰艇发动机数据采集系统

就柴油机故障诊断而言，采集反映故障的特征信号具有其特殊性．如对喷油系统油压信号的采集，即需要具有高速采集数据的性能，又要能满足特殊同步的要求．该系统是应用了DMA技术的专用数据采集系统，它不仅可应用于舰艇发动机燃油系统的故障诊断，而且还可推广应用于各种柴油机燃油系统的故障诊断。     

柴油/LNG双燃料发动机台架试验性能分析

天然气（LNG）资源丰富,是汽车较为理想的替代燃料.文章以LNG作为汽车燃料,通过发动机台架试验,对柴油/LNG双燃料汽车发动机与原发动机的性能做对比分析,分析结果表明,所研究的柴油/LNG双燃料发动机动力性较原机下降不明显,但经济性大幅提高,排放性总体较原机呈现好的态势.     

基于ANN-CBR的雷达故障诊断系统研究

新体制雷达系统的复杂性增加了雷达故障诊断的难度.为保证新体制雷达工作的可靠性和维修性能,运用人工智能理论,将神经网络与案例推理相结合,提出了雷达故障诊断系统结构和基于RBF神经网络故障诊断模型,给出了雷达故障案例的表示方法及快速检索算法.最后,通过实例分析证明了模型及方法的合理性和有效性.     

遗传优化支持向量机在失火故障诊断中的应用

故障样本的缺乏严重制约智能故障诊断的发展,支持向量机算法的提出有效地解决了小样本学习问题.然而支持向量机算法中两个参数惩罚因子C和核参数γ对故障样本的准确识别起着决定性作用.针对参数较难选择问题,采用遗传算法对支持向量机中的两个参数进行全局寻优.把汽车在典型故障下尾气中各气体的体积分数作为训练样本,样本经过主成份分析实现降维和去相关.用处理过的样本和最优参数建立基于支持向量机的多元分类器模型,进行故障类别诊断.使用LIBSVM工具箱进行仿真,结果表明经遗传算法优化后的支持向量机对于小样本故障诊断有很高的准确率.     

电控单体泵全工况喷油量波动影响参数量化分析

电控单体泵循环喷油量的波动直接影响其匹配船用发动机的工作稳定性和一致性.为研究系统各关键特性参数对循环喷油量波动的影响规律及成因机理,利用AMESim数值模型,揭示了低压供油压力、凸轮型线速率、柱塞配合间隙、控制阀杆升程、衔铁残余气隙、控制阀杆配合间隙、喷油器开启压力、喷油器针阀升程和喷油器流量系数等关键参数对循环喷油量的影响规律.通过量化分析,得出各特性参数对循环喷油量波动影响的百分比量化指标,在全工况平面内,低压供油压力为0～20.2%,凸轮型线速率为20.6%～42.0%,控制阀杆升程为4.0%～16.5%,喷油器开启压力为3.7%～49.8%,喷油器针阀升程为0～16.5%,喷油器流量系数为2.6%～40.5%;同时,揭示了全工况平面内负荷特性和速度特性下各特性参数对应的循环喷油量波动的百分比量化指标规律.对影响循环喷油量稳定性的关键特性参数进行量化分析,可为实现电控单体泵燃油喷射系统全工况平面循环喷油量的稳定性设计、提高电控单体泵和船用柴油机性能的一致性提供理论指导.     

车用柴油机在不同增压系统下的燃烧过程

在较宽的转速范围内测录了增压柴油机的高压示功图 ,喷油系统的泵端压力、嘴端压力、针阀升程 ;利用内燃机燃烧过程的分析诊断软件计算了燃烧放热规律和喷油规律 ;应用柴油机燃烧及喷油过程特征参数的分析方法 ,对 3种不同增压系统下柴油机的燃烧过程进行了分析。     

基于支持向量机的伺服机构舵反馈电压异常诊断方法

提出了一种基于支持向量机（support vector machine,SVM）的伺服机构舵反馈电压异常诊断方法。通过对测量数据进行经验模态分解（empirical mode decomposition,EMD）,获得各固有模态分量（intrinsic mode functions,IMF）,并将其作为特征提取出来,然后构造多类支持向量分类机进行训练与故障模式识别。仿真分析证明,该方法能有效地应用于伺服机构舵反馈电压异常诊断。     

改进型灰色关联算法在变压器故障诊断中的应用

灰色关联分析已应用于电力变压器故障诊断,传统基于单一故障标准模式向量灰色关联分析算法的油中溶解气体分析（DGA）诊断模型精度有限.为此,提出一种改进型灰色关联算法,该算法在充分考虑DGA数据分散性的基础上,将每类故障的标准故障模式向量由原来算法中的1个扩充到6个,并给出每类故障的DGA数据分布范围,增大诊断信息量;利用关联分析原理,求出待诊模式与各类故障标准模式的灰色关联度,得到故障诊断判定.实例分析证明,所提算法的诊断准确率高于原来的普通灰色关联方法.     

Simulation of quasi-dimensional model for diesel engine working process

In order to satisfy the demand of validity and real time operating performance of diesel engine model used in hardware-in-the-loop simulation system, a simplified quasi-dimensional model for diesel engine working process was proposed, which was based on the phase-divided spray mixing model. The software MATLAB/Simulink was utilized to simulate diesel engine performance parameters. The comparisons between calculated results and experimental data show that the relative error of power and brake specific fuel consumption is less than 2.8%, and the relative error of nitric oxide and soot emissions is less than 9.1%. At the same time, the average computational time for simulation of one working process with the new model is 36 s, which presents good real time operating performance of the model. The simulation results also indicate that the nozzle flow coefficient has great influence on the prediction precision of performance parameters in diesel engine simulation model.     

天然气制油/柴油混合燃料对小型柴油机燃烧特性的影响

应用自行开发的柴油机瞬态工况测控系统,研究了GTL(Gas to liquid)添加比例对小型直喷式柴油机稳态及恒转速增转矩瞬态工况下燃烧特性的影响规律。结果表明:在稳态和恒转速增转矩瞬态工况下,GTL添加比例对燃烧参数的影响具有基本相同的规律,随着GTL燃料添加比例的增加,着火始点提前,滞燃期缩短,预混合燃烧期和预混合燃烧量减小,缸内压力峰值、放热率峰值、燃烧温度有所降低,有利于降低NOx的排放量和燃烧噪声。当添加少量GTL燃料时,燃烧持续期延长,随着GTL添加比例的增加,燃烧持续期有所缩短。100%GTL燃料的燃烧持续期与柴油相当。