基于群决策的道岔控制电路故障诊断方法

高速铁路道岔是与高速列车直接接触的重要信号设备，其控制电路的故障检测手段目前仍停留在简单仪器与人的经验相结合的方式.为了实现道岔控制电路故障的智能诊断，提高故障诊断的准确率并降低单一诊断方法带来的不确定性，本文提出一种基于群决策的诊断方法:首先根据道岔控制电路的特点，总结了典型的11个故障模式和对应的8个故障特征；其次，分别采用模糊理论、神经网络和支持向量机（Support vector machine，SVM）对道岔控制电路进行故障诊断；然后引入群决策理论将三种方法视为决策专家，通过群基数效应集结方式实现决策级上的信息融合从而得到群专家综合评判的诊断结果.从仿真数据的验证来看，该方法比单一方法的故障诊断的准确率要高，表明了本文所提方法能够实现三种方法的互补融合，也提高了故障诊断的准确率，在该领域有着良好的应用前景.     

基于支持向量机的变压器故障诊断方法

为了提高变压器故障诊断的准确率,提出了一种支持向量机（SVM）和改进布谷鸟算法（WCS）及最速下降法相结合的电力变压器故障诊断方法.引入一种新的惯性权重,解决布谷鸟算法在迭代后期收敛速度下降的问题.利用最速下降法与改进的布谷鸟算法相结合的算法进行SVM参数的寻优,克服了基本的SVM模型容易陷入局部最优的缺陷,从而得到具有最佳参数的支持向量机分类模型,利用LIBSVM工具箱在MATLAB软件平台上训练支持向量机,用训练良好的支持向量机诊断110kV甘棠变电所#1主变压器故障情况.通过实例验证分析表明,采用该算法可以准确、有效地对变压器进行故障诊断;相较于粒子群算法（PSO）、遗传算法（GA）、网格搜索算法（GS）等算法,该方法具有更高的诊断准确率.     

基于IGA-SVM的变压器多级故障诊断

针对传统的基于支持向量机(support vector machine, SVM)的变压器故障诊断中变压器的故障特征和SVM参数难以确定的问题,本文提出了一种基于改进遗传算法(improved genetic algorithm, IGA)和SVM的变压器故障诊断模型。该方法以SVM作为分类器,以常用故障诊断方法的20中特征量作为初始特征集合,采用二进制方式将变压器的故障特征和SVM的参数编码到同一条染色体,利用改进遗传算法对变压器的故障特征和分类器的参数进行联合优化。因为变压器的故障特征和SVM的参数是互相影响的,因此对两者做一个联合优化是比较合理的方案。然后依据最优故障特征和最优参数进行模型训练,利用训练好的模型对测试集进行诊断。仿真结果表明所提方法具有较高的故障诊断准确率。     

基于PSO-SVM的发动机故障诊断研究

针对发动机的故障分类问题,提出了一种基于粒子群(PSO)优化支持向量机(SVM)的发动机故障诊断方法,采用粒子群算法优化支持向量机的惩罚系数C和核宽度系数σ,并在MATLAB环境下对发动机进行故障类别诊断,通过对发动机典型故障的诊断研究表明,采用PSO-SVM算法模型的故障诊断的精确度和效率都得到了提高,该方法与BP神经网络、PSO-BP、标准SVM相比,有较高的分类准确率,准确率可高达100%;与GA-SVM方法相比,诊断效率有所提高,从而验证了该方法在发动机故障诊断中的有效性。     

基于粒子群算法优化支持向量机的模拟电路诊断

为了提高支持向量机网络(SVM)进行模拟电路诊断的准确率,提出了一种基于粒子群(PSO)算法和支持向量机的诊断方法。该方法首先对被测电路的响应信号进行多小波变换,通过归一化处理得到分类能力强的最优故障特征;然后用粒子群算法优化支持向量机的结构参数,实现对不同故障模式分类识别。仿真结果表明,此方法能有效提高模拟电路故障诊断准确率。     

基于遗传算法和支持向量机的特征选择研究

为了让特征子集获得较高的分类准确率,提出了基于遗传算法和支持向量机的特征选择方法.该方法在ReliefF算法提供先验信息的基础上,将SVM参数混编入特征选择基因编码中,然后利用遗传算法寻求最优的特征子集和支持向量机参数组合.实验结果表明,通过该方法选择的特征子集和支持向量机参数组合能以较小的特征子集获得较高的分类准确率.     

基于佳点集遗传算法的支持向量机的参数选择

支持向量机(Suppoft Vector Machine,SVM)的参数选择一直缺乏很完善的方法,很大程度上限制了它的应用.为了获得较好的SVM参数,提出了基于佳点集遗传算法的参数选择方法,利用佳点集遗传算法对遗传算法中的交叉操作进行了重新设计,减少了遗传算法的收敛时间并且提高了遗传算法的精度,从而确保了SVM参数选择的准确性.通过数值实验表明由该方法所得的支持向量机可以在一定程度上自动地选择参数,具有一定的推广意义.     

基于GA-SVM的数模混合电路故障诊断研究

针对数/模混合电路的故障诊断,将遗传算法与最小二乘支持向量机相结合,提出一种二值分类故障诊断方法,在保证故障诊断的准确率和可靠性的基础上,实现多类故障的快速诊断。采用遗传算法优化支持向量机的结构参数和核函数参数,建立基于支持向量机的故障分类模型;提出适用于数/模混合电路的故障诊断的二值分类策略;在Pspice环境下进行仿真验证,实验结果表明,该方法有效提高了的故障诊断的精度和效率,在类别较多故障模式中具有明显的优势和实用价值。     

基于遗传优化最小二乘支持向量机的导引头故障诊断

为提高导引头故障诊断准确率,提出了一种采用改进遗传算法优化的最小二乘支持向量机（LSSVM）构造导引头多故障分类模型的方法。该方法基于一对一策略及改进的投票法建立两层LSSVM多故障分类器,并利用一种自适应变步长搜索策略改进的遗传算法对LSSVM的核参数和正则化参数进行自动优选。通过对某型导引头实测数据的仿真并和标准SVM及BP神经网络诊断方法相比较,结果表明该方法具有更高诊断准确率和计算效率。     

GA-SVM算法在文本分类中的应用研究

文本特征维数通常高达几万且特征之间存在大量冗余和不相关信息,从而导致传统的分类方法效率低、分类准确率低.为了提高文本分类的快速性和准确性,提出了一种遗传算法(GA)和支持向量机(SVM)相结合的文本分类方法.把文本特征组合看作遗传算法中一个染色体,并进行二进制编码,将支持向量机分类准确率作为遗传算法的适应度函数,对每一...