模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.     

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.     

基于支持向量机的网络故障在线诊断方法研究

介绍了网络故障诊断的发展趋势和支持向量机的基本原理,采用一种改进的支持向量机用于网络故障的在线诊断和分析,并且以实验网中采集的数据进行了实验,实验表明该方法能够快速准确地在线诊断网络故障,为网络故障在线诊断向智能化方向发展提供了新的途径.     

支持向量机在TE过程故障诊断中的应用

支持向量机学习算法针对小样本情况表现出优良的性能,能够在有限特征信息情况下,最大限度地发掘数据中隐含的分类知识,使其能够更适用于故障诊断领域。研究决策有向无环图多类分类支持向量机在TE(Tennessee Eastman,TE)过程中的应用。仿真结果表明该方法分类精度较高且测试时间短,能够满足复杂工业过程对故障诊断的要求。     

支持向量机在非点源污染负荷预测中的应用

针对非点源污染形成过程复杂、基础资料不完备的特点,尝试将支持向量机技术用于小样本渭河流域华县站非点源总氮年污染负荷量预测.支持向量机(SVM)能在有限样本情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题来获得全局最优解,从而克服了神经网络易陷于局部极小值的缺点.采用华县站1976-1993年总氮非点源负荷及与其产生关系密切的径流、泥沙、降雨资料,前15 a资料用作训练,后3 a资料用作检验.经过与最小二乘支持向量机、BP神经网络和最小二乘回归方法预测结果比较,表明SVM方法预测精度要优于后两者,可用于有限资料条件下非点源负荷预测.     

基于支持向量机的时序周波波形分类方法

针对电力系统输出的周波波形多的特点,提出一种基于小波分析和支持向量机（SVM）的时序周波波形分类方法,实现三相电压源型逆变器的故障分类.利用离散正交小波变换(DOWT)将周波序列变换成小波系数矩阵,利用奇异值分解(SVD)的方法获得系数矩阵的奇异值向量,作为周波序列的特征值.建立基于新的Huffman树来实现支持向量机策略的多类分类模型.将奇异值分解得到的特征向量应用到该分类模型,判断逆变器的故障类型.仿真结果表明,该模型的平均期望准确率比基于普通二叉树的支持向量机多类模型高3.65%,分类准确率达到99.6%.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向昔机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大．将该模型应用于新疆伊犁河雅码渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用．     

再生核支持向量机在刀具故障诊断中的应用

提出了一种构造再生核的新方法:用Walsh函数作为空间V0的尺度函数,构造出L2(R)空间的正交规范序列。首先,结合小波多分辨分析,将Hilbert空间分为一系列子空间,并根据可分Hilbert空间与L2(R)的等价性,利用内积同构的线性算子,把V0子空间的尺度函数折算为Hilbert空间的子空间V~0的尺度函数,构造出新的Walsh序列再生核;然后,运用小波包频带能量分解技术提取不同频带内刀具在不同工作状态下的特征向量。通过仿真实验表明,该尺度再生核函数具有更高的辨识精度,较少支持向量数目,充分体现了支持向量机较好的推广性能。     

基于图像处理技术与支持向量机的鱼龄识别

采用图像处理技术,提出了一种基于核主成分分析(KPCA)与支持向量机(SVM)的鱼年龄自动识别新方法。首先通过KPCA提取鱼的耳石图像的主元,然后用SVM对鱼的年龄进行学习、识别和预测。实验表明,该方法取得了较好的效果。 更多还原     

模糊支持向量机在汽轮机故障诊断中的应用

阐述了模糊支持向量机的原理。考虑到各类样本的不同影响,在基于风险的基础上,通过确定各个样本的模糊隶属度,引入模糊支持向量机的概念,将这一理论应用于汽轮机减速箱的故障诊断中,使一类样本点中只包含正常样本。实验结果表明了该方法的可行性与有效性。     

Gear Fault Diagnosis Based on Rough Set and Support Vector Machine

By introducing Rough Set Theory and the principle of Support vector machine, a gear fault diagnosis method based on them is proposed. Firstly, diagnostic decision-making is reduced based on rough set theory, and the noise and redundancy in the sample are removed, then, according to the chosen reduction, a support vector machine multi-classifier is designed for gear fault diagnosis. Therefore, SVM' training data can be reduced and running speed can quicken. Test shows its accuracy and efficiency of gear fault diagnosis.     

Gear Fault Diagnosis Based on Rough Set and Support Vector Machine

By introducing Rough Set Theory and the principle of Support vector machine,a gear fault diagnosis method based on them is proposed.Firstly,diagnostic decision-making is reduced based on rough set theory,and the noise and redundancy in the sample are removed,then,according to the chosen reduction,a support vector machine multi-classifier is designed for gear fault diagnosis.Therefore,SVM'training data can be reduced and running speed can quicken.Test shows its accuracy and effi- ciency of gear fault diagnosis.     

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.     

基于独立元分析-最小二乘支持向量机的冷水机组故障诊断方法

冷水机组作为复杂系统,其变量间相关性严重,并且故障时的症状和原因具有多样性,导致了冷水机组的故障诊断较为困难.为了降低数据冗余性,提高故障诊断效率,提出一种基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法.首先,运用独立元分析法提取冷水机组变量的独立元信息;然后,将提取的独立元信息作为最小二乘支持向量机的输入值进行故障类型的识别.利用北京某高校的地铁车站通风空调实训平台的实验数据验证该模型的故障诊断性能,并与传统的冷水机组故障诊断方法进行对比.比较结果证明基于独立元分析与最小二乘支持向量机相结合的冷水机组故障诊断方法优于传统方法.这表明该方法可以有效提取数据的高阶统计信息,提高故障诊断的效率.     

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。     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明,该方法应用于线性及非线性模拟电路均取得了良好的诊断效果.     

基于支持向量机的提升机制动系统故障诊断

针对提升机制动系统中常见的卡缸故障，利用支持向量机（SVM）这一新的机器学习方法进行智能诊断．在某一闸系统正常时获得2组信号，卡缸时获得6组信号，采用3层小渡包对闸瓦间隙-时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在Matlab6．5环境下用SVM工具箱进行编程，建立SVM故障分类器并时测试样本进行测试，从而实现提升机制动系统卡缸故障诊断．实验结果表明，在不到0．1S时间内，就建立了SVM故障分类器，该分类器对测试样本的诊断正确率达到了100%；当训练样本由6组减少至4组时，SVM故障分类器仍可以有效地实现对卡缸故障的诊断．因此，SVM方法对于少样本的故障诊断有较强的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统．     

基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

基于小波分析和支持向量机的供电线路故障诊断

将小波分析与支持向量机(SVM)相结合对供电线路故障进行自动诊断.运用变尺度多分辨小波分析方法对供电线路故障信号进行特征分析,SVM能够对小样本数据进行模式识别并且具有很好的分类推广能力.在小波分析信号特征提取的基础上,利用分布式多SVM分类器识别故障.实验表明,该方法能有效地对供电线路故障进行准确识别和诊断.     

基于RS和SVM的汽轮机组故障诊断方法

为了提高汽轮机组故障诊断的效率,设计并实现了基于粗糙集和多类支持向量机的融合算法。把粗糙集作为数据的前处理器,对条件属性进行知识约简和去除冗余属性以达到降低数据维数的目的。然后构造多类支持向量机分类器并用约简后的新样本数据训练。测试结果表明,基于粗糙集和支持向量机融合算法的故障诊断方法诊断速度快,推广能力强。