组合导航系统故障检测方法的比较研究

对组合导航系统故障检测方法进行了对比研究。除介绍了X^2检验法、数据变化率检验法,还提出了一种基于模糊综合评价的故障检测方法．它以模糊综合评价算法为基础,对组合导航系统中的每个子系统的测量值进行综合判断,以确定该子系统的工作状态。最后,利用GPS／INS组合导航系统对上述三种故障检测方法进行了对比研究。实验结果表明,X^2检验法对于软故障不敏感,数据变化率检验法对连续长时间出现的故障无法判断．而基于模糊综合评价的故障检测方法针对具体的组合导航系统,通过适当调整参数,对所有类型的故障都能很好地检测。     

车辆机械式离合器SVM故障检测方法仿真

汽车发动机在正常运转时,踏下离合器难以挂挡,说明此时机械式离合器已经出现故障,但是具体故障类型无法快速识别。为保证发动机与传动装置平稳接合和分离,提出基于SVM(Support Vector Machine,支持向量机)的车辆机械式离合器故障检测方法。该方法首先依据离合器结构分析离合器膜片弹簧负荷以及离合器系统相关动力方程。根据离合器的微分运动方程提取离合器故障特征,建立离合器故障检测模型。根据模型的优化结果,获取模型最佳输出值,实现汽车离合器故障类型的识别。实验结果表明,研究方法应用下测得的离合器的负载转矩、转速、电角速度与实际数值一致,且通过电机电流的异常输出能够快速判断离合器是否已经发生故障。以上测试结果说明该方法的可应用性较强。     

驾驶员疲劳状态检测仿真研究

研究驾驶员疲劳状态的准确检测问题,针对传统检测算法要求数据量大、计算复杂等缺陷,以提高驾驶员疲劳状态识别正确率为目标,提出一种支持向量机的驾驶员疲劳状态检测方法。首先采用传感器对方向盘转角和道路偏移值进行采集,然后进行离散化处理,最后输入到支持向量机进行学习,建立驾驶员疲劳状态检测模型。实验结果表明,方法能够很好的克服传统检测算法存在的缺陷,提高了驾驶员疲劳状态检测正确率,能够满足驾驶疲劳检测要求。     

异音检测的机器学习方法及其在电机质检中的应用

在大批量小型电机生产线上,普遍采用的听音质检工序需要大量训练有素的工人.针对电机质检工序声音信号的统计特征及质检工艺的特点,提出基于一类学习的异响检测的方法.该方法以正常样本为基础建立质检判别函数,避免了其他分类算法要求训练样本类别全面和覆盖广泛的条件.给出了该方法的实现过程,并通过大量实测样本验证了该方法的有效性.     

深空探测航天器姿态控制系统故障定位

执行机构与敏感器故障检测与定位是深空探测任务卫星平台可靠运行的前提和保障.本文从数据的角度出发,结合姿控系统工作机理,提出一种基于神经网络和支持向量机结合的故障诊断方法用于检测并定位故障.故障诊断方法分为3步,首先采集姿控系统的状态信息,采用神经网络对闭环姿控系统中未知动态特性建模并进行预测;然后将姿控系统敏感器信号与神经网络预测输出比较生成残差并提取故障特征;最后采用支持向量机辨识残差特征检测故障,并结合运动学特性分析定位故障.仿真结果表明本文所提方法可以有效提取、辨识故障特征,实现执行器与敏感器的故障检测定位.     

基于SVM的飞机引气系统故障检测方法研究

基于飞机的历史QAR(Quick Access Recorder,快速存取记录器)数据构建数据集,对数据集进行参数选择、数据预处理、数据集划分等操作,目的是提高模型的运行效率和准确度;使用改进粒子群算法对SVM(Support Vector Machines,支持向量机)的分类参数进行优化,使模型的分类效果达到最优;为...     

大差异网络异常数据特征检测算法的仿真分析

网络异常与普通的攻击特征不同,没有明显的行为特征.尤其是大差异样本数据集中,异常数据属性直接差异很大,很难形成统一的约束规范,传统的检测算法都是假设攻击行为特征提取的基础上,对上述异常行为很难进行判断,会出现判断多中心现象,造成误警率高,提出了一种大差异数据集的网络异常检测算法.针对大差异、高维度数据属性,运用主成分分析方法,对网络操作数据进行降维处理,引入一种差异行为判断的策略,对网络操作数据大差异特征进行分类处理,降低数据之间的差异性,从而保证差异行为能够被有效的分类约束描述.实验结果表明,利用改进算法能够有效提高网络中大差异异常数据检测的准确性.     

导航系统故障检测与诊断技术综述

导航系统的故障检测与诊断技术受到理论界的广泛重视,总结了国内外应用于导航系统的故障检测与诊断方法:基于硬件冗余方法、基于χ2检验方法、基于奇偶空间方法、基于小波变换方法、基于神经网络方法、基于联邦滤波器方法和一些其他方法.讨论了导航系统的故障检测与诊断发展趋势.     

组合算法在柴油机故障诊断的应用仿真

研究柴油机故障诊断问题。柴油机故障具有小样本、特征间冗余信息严重等特点,用大样本的神经网络无法对故障进行准确诊断。为提高柴油机故障诊断精度,提出一种粗糙集和支持向量机相融合的柴油机故障诊断算法。首先采用粗糙集对柴油机故障特征属性进行约简,消除特征间冗余信息,然后采用专门针对小样本的支持向量机建立柴油机故障诊断器,最后进行柴油机故障诊断仿真测试。测试结果表明,改进方法提高了柴油机故障诊断效率和精度,可为柴油机故障定位和分析提供有价值参考意见。     

基于模拟退火支持向量机的入侵检测系统

为了提高入侵检测系统在小样本集条件下的检测效率,将支持向量机用于网络入侵检测.支持向量机的参数决定了检测效率,然而难以选择合适的参数值,因此提出利用模拟退火算法来优化这些参数,并设计出基于参数优化的支持向量机用于入侵检测.通过对样本数据集中的样本进行实验性检测,并与原始支持向量机入侵检测系统进行比较,结果表明模拟退火支持向量机入侵检测系统检测率高、误报率低,并且缩短了训练时间和检测时间.     

基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题.提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测.采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.     

基于GA和组合核的SVM入侵检测算法

SVM有着很强的学习能力,已经成为入侵检测的重要算法之一。由于入侵检测原始数据量大,且具有高维性、冗余性等特点,导致传统SVM入侵检测算法计算量大、预测时间长。基于此,文中提出一种改进的SVM入侵检测算法( KP-CA-GA-LC-SVM)。文中利用核主成分分析法( KPCA)进行数据的特征提取,降低数据维数和计算量;使用两个核函数线性加权结合形成的组合核函数代替传统的单一核函数,并通过遗传算法( GA)进行SVM核参数及组合核权系数的寻优,来提高SVM性能。实验结果表明,文中算法有效地提高了入侵检测的检测精度。     

基于模糊支持向量机的网络入侵检测研究

模糊支持向量机理论属于统计学习理论,是支持向量机理论的推广,使支持向量机更好地运用到实际工作中。我们将其运用到网络入侵检测中,实验证明是可行的、高效的,有其特点和优势的。     

一种基于支持向量机的图像边缘检测方法

支持向量机是一种新的机器学习的方法.它以统计学习理论为基础,能够较好地解决小样本的学习问题.由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点.支持向量函数回归(SVR)是SVM的一个重要分支,它已经成功地应用于系统识别、非线性系统的预测等方面,并取得了较好的效果.文中通过图像的SVR表示,对SVR图像的边缘检测进行了研究.文中算例说明了该方法在实际应用中的可行性.实验结果表明,该算法能有效提高图像边缘检测效果.同时对其他边缘检测方法有一定的借鉴作用.     

基于镜头的鲁棒视频广告检测

随着多媒体技术的发展，自动检测出数字视频节目里面嵌入的广告是很具挑战性的研究．然而，由于嵌入的广告的制作方式和表现手法的多样性，很多自动检测模型的实验结果往往不甚理想．为了提高检测系统的鲁棒性，提出了3阶段广告检测系统．首先，提出了基于区域特征重要性的镜头检测算法（RBFID，region-based feature importance detection），实现视频播放中突变镜头和消隐镜头的检测，同时从每个镜头提取出一些统计特征用来标识镜头．然后，利用SVM的优异分类特性实现镜头分类．最后为了能得到精确的广告视频段，利用广告视频在内容和时间上的连续性来消除错分的镜头，然后将广告镜头整合成广告视频段．本系统在30个电视节目的片段上进行验证，实验结果表明此广告检测系统具有实用性．     

遗传支持向量机模型优化在入侵检测中的应用

针对目前入侵检测检测精度低的问题,根据遗传和支持向量机算法的特点,建立了一种遗传支持向量机模型。该模型首先用遗传算法优化支持向量机参数,再用优化后的支持向量机构建入侵检测模型,使用该模型进行入侵检测。实验通过讨论了支持向量机参数的选择对检测精度的影响,选取了合适的参数(c,σ)。结果表明,把这种遗传支持向量机模型用于入侵检测提高了检测精度。     

一种基于支持向量机的图像边缘检测方法

支持向量机是一种新的机器学习的方法。它以统计学习理论为基础,能够较好地解决小样本的学习问题。由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。支持向量函数回归(SVR)是SVM的一个重要分支,它已经成功地应用于系统识别、非线性系统的预测等方面,并取得了较好的效果。文中通过图像的SVR表示,对SVR图像的边缘检测进行了研究。文中算例说明了该方法在实际应用中的可行性。实验结果表明,该算法能有效提高图像边缘检测效果。同时对其他边缘检测方法有一定的借鉴作用。     

基于机器学习方法的直流电弧故障检测

为了解决传统分析方法在直流供电系统中电弧故障检测的精确度不足及过程繁琐的问题,将直流电弧故障检测归为二分类问题,引入机器学习方法,通过直流电弧实验得到正常状态和电弧状态的数据,从时域中提取电流均值等4个特征,从频域中提取高频分量标准差等3个特征.利用提取到的特征对支持向量机(SVM)进行训练,利用求解得到的模型对测试数据集进行分类,分类准确率为94.483%.结果证明:所提方法能有效检测直流电弧故障,提高故障检测精度,且步骤精简,易于推广.