混合核函数在线支持向量机在甲醇合成中的应用

针对甲醇生产过程中高度的非线性和时变性,采用精确在线支持向量机模型预测粗甲醇的转化率。在线支持向量机模型一般采用单一的核函数,混合核函数可以弥补单一核函数的不足,提高模型的泛化能力和学习能力。为了使模型的预测精度进一步提高,在混合核函数的基础上运用在线误差校正方法。将基于混合核函数和误差校正的在线支持向量机建模方法应用在煤制甲醇数据上,通过与传统支持向量机和准确在线支持向量机模型对比,仿真实验和分析结果表明改进的在线支持向量机模型比传统支持向量机预测精度高,能够实现粗甲醇转化率的实时预测,从而更好的指导甲醇生产。     

基于混合核函数支持向量机的齿轮诊断方法研究

支持向量机是一种基于统计学习理论的新型机器学习方法,它具有在训练样本很少的情况下达到很好的分类效果的优点.把支持向量机技术应用于齿轮故障诊断,通过预先使用局部、全局核函数支持向量机的分类结果适当选取各自在混合函数中的权重,来作为混合核函数进行支持向量机分类.实验和数据分析证明,使用混合核的支持向量机比单独使用全局或局部...     

粒子群算法优化双核支持向量机及应用

针对支持向量机核函数和控制参数选取难度较大的问题,提出了一种主动划分参数区间的双尺度径向基核支持向量机,并用并行定向变异混合粒子群优化算法选取其控制参数。试验分析了利用标准数据集经多次独立重复试验得到的均值等统计量,验证、测试了上述支持向量机模型,同时考虑了类间数据不平衡的影响。结果表明,双尺度径向基核函数的性能在多数情况下优于单径向基核函数,并行定向变异的混合粒子群优化算法优于标准粒子群优化算法,能够有效抑制早熟收敛,有利于搜索到更优的支持向量机控制参数。     

基于支持向量机的旋转机械故障诊断

把支持向量机应用于诊断旋转机械不平衡和转静碰摩故障，利用转子故障实验器分别对多项式和径向基核函数进行了实验比较，选取了不同振动参数作为特征量输入支持向量机进行学习和测试。结果表明．两种不同核函数的支持向量机在各种条件下所获得的最优故障诊断准确率很接近。这说明支持向量机的性能对结构（核函数）的依赖性很小，便于在工程中应用，但特征量的选取对故障诊断准确率影响很大。对于诊断不平衡和转静碰摩故障．一、二和三阶正、反进动量是最适合的故障诊断特征量。用正、反进动量构造出SV-进动图，可明确、形象地显示故障分类面，有助于诊断故障。     

基于粗糙集与支持向量机的加工过程异常检测

为提高加工过程异常模式检测的自动化程度,在建立控制图数学描述的基础上,利用蒙特卡洛法构建了控制图数据集,研究了基于邻域粗糙集的控制图时域特征约简方法,提出了基于支持向量机的控制图异常模式识别模型。通过仿真实验,使用遗传算法优化了异常识别模型的主要参数,并对不同核函数、不同分类模型的识别精度进行了分析与对比。通过实际生产数据测试验证了所构建模型的有效性与可用性。     

核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机（SVM）的核函数．得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量一损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输人进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识另口和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。     

基于CPSO的混合核LSSVM生物发酵软测量建模

针对赖氨酸发酵过程非线性、强耦合及关键参数难以在线实时测量等问题,将混合核函数概念引入最小二乘支持向量机中,提出了一种基于混合核LSSVM的软测量建模方法。该方法采用混合核函数代替传统的RBF核作为支持向量机的核函数建立模型,并利用全局搜索能力较强的混沌粒子群优化（CPSO）算法对模型参数进行了寻优处理。仿真结果表明,该方法建立的软测量模型可以实现对发酵过程中的菌体浓度C、基质浓度S及产物浓度P等参量的在线实时预测,在改善了模型全局性的同时也提高了预测精度。     

基于支持向量机的钢淬透性预测研究

支持向量机是建立在统计学理论之上的强有力的机器学习技术。本文提出了基于支持向量机模型预测钢淬透性的方法，并分析了核函数的选择对支持向量机建模的影响。以江阴兴澄钢铁公司的实际数据进行实验，结果表明，支持向量机方法有着良好的泛化能力，优于人工神经网络建模方法。     

多核学习SVM在发动机故障诊断上的应用

为了从小样本的发动机性能参数故障数据中提取故障信息,准确而快速的识别故障数据,支持向量机具备的诸多优点使其逐步的应用到发动机的故障诊断中。目前,已有不少利用支持向量机进行发动机故障诊断的研究,但对核函数的选用大多使用单一核函数对数据进行训练,在没有先验的情况下,往往不容易选择出最优的核函数。通过对核函数的研究,提出将基于多核学习构建的组合核函数作为支持向量机新的映射函数,通过故障实例演示了多核学习SVM在发动机故障诊断上的应用,说明了组合核函数的构建方法和相比于单一核函数的优越性。     

基于融合特征约减和支持向量机的控制图模式识别

为提高产品加工过程中质量监测的智能化程度,在运用控制图描述质量波动的基础上,提出了一种基于融合特征约减的KPCA-SVM控制图分类方法。先通过蒙特卡洛模拟生成控制图数据集,提取统计特征和形状特征,并将其与原始特征相融合,运用核主成分分析对高维融合特征降维,再使用遗传算法优化支持向量机的参数。通过仿真实验,将降维前后、不同分类器的识别精度进行了比较,结果表明运用所提方法能够得到更好的识别效果。     

智能统计工序质量控制的体系研究

针对统计工序质量控制的要求,提出了智能控制体系的基本框架,论述了控制图模式的分类及其表达。对智能统计工序质量控制的控制图模式识别、控制图异常模式的参数估计和诊断分析专家系统3个主要方面进行了分析,并提出了解决方案和系统模型。在模型构造中,采用小波概率神经网络进行控制图的模式识别和控制图异常模式的参数估计。模拟仿真和实际应用结果表明：该方法结构简单、收敛速度快、识别准确率高,能够满足控制图在线检测和分析的需要。     

基于混合模型与改进多分类马田系统的控制图模式识别

为提高生产过程中产品质量的智能监控水平,提出基于时间序列混合模型及改进多分类马田系统的控制图模式识别算法。选用时间序列混合模型对控制图实时数据进行特征提取;改进马田系统的阈值计算方法并制定多类判别准则,将表征的特征向量代入改进多分类马田系统分类器中进行特征约减及模式识别。最后,将该识别算法应用于控制图公开数据集及生产案例中,以验证算法的有效性,并与其他算法对比了分析,结果表明,基于时间序列混合模型及改进多分类马田系统算法能简化识别系统,识别精度高,是一种更为有效的控制图模式识别方法。     

基于任务结构的产品设计知识模型研究

在对产品设计知识应用特征分析的基础上,研究了支持设计知识建模的任务结构模型及建议－评估－修改方法,和支持标准型、变型及系列产品设计知识的统一产品设计任务分解结构（用树状与或图表示）。提出了4层结构的产品设计知识模型,实现了多种知识表示方法下复杂产品设计知识的分层与分类表示。为解决设计知识获取问题,设计了产品设计知识获取工作表,对设计知识进行了规范说明和瓶颈分析。最后,建立了路面摊铺机设计知识模型。     

Control chart pattern recognition using RBF neural network with new training algorithm and practical features

The control chart patterns are the most commonly used statistical process control (SPC) tools to monitor process changes. When a control chart produces an out-of-control signal, this means that the process has been changed. In this study, a new method based on optimized radial basis function neural network (RBFNN) is proposed for control chart patterns (CCPs) recognition. The proposed method consists of four main modules: feature extraction, feature selection, classification and learning algorithm. In the feature extraction module, shape and statistical features are used. Recently, various shape and statistical features have been presented for the CCPs recognition. In the feature selection module, the association rules (AR) method has been employed to select the best set of the shape and statistical features. In the classifier section, RBFNN is used and finally, in RBFNN, learning algorithm has a high impact on the network performance. Therefore, a new learning algorithm based on the bees algorithm has been used in the learning module. Most studies have considered only six patterns: Normal, Cyclic, Increasing Trend, Decreasing Trend, Upward Shift and Downward Shift. Since three patterns namely Normal, Stratification, and Systematic are very similar to each other and distinguishing them is very difficult, in most studies Stratification and Systematic have not been considered. Regarding to the continuous monitoring and control over the production process and the exact type detection of the problem encountered during the production process, eight patterns have been investigated in this study. The proposed method is tested on a dataset containing 1600 samples (200 samples from each pattern) and the results showed that the proposed method has a very good performance.     

基于MEWMA控制图的车身焊接装配尺寸偏差控制研究

针对车身焊接装配尺寸控制参数多元和尺寸偏移小且缓慢的特点,采用MEWMA控制图对其进行监控。以MEWMA控制图统计性能的分析研究为基础,明确了MEWMA控制图偏移系数δ、控制上限H和权重参数r的关系模型,得到了δ与最优r的计算表达式。应用实例表明,上述方法求解的r值非常接近统计最优的r值,其对应的MEWMA控制图相比于Hotelling's T2控制图和其他r值的MEWMA控制图,对过程小偏移有更好的敏感性。     

用残差CUSUM控制图检测自相关过程中的故障

由于累积和控制图(cumulative sum,简称CUSUM)算法应用的基本假设是从过程得到的观测值彼此独立,而工业过程通常是自相关过程,数据自相关性会影响CUSUM控制图的性能.针对这一问题,利用数学推理的方法分析了数据自相关性对CUSUM控制图性能的不利影响,正自相关会使CUSUM控制图的平均运行长度变短,可能引起假警报;负自相关会使CUSUM控制图的平均运行长度变长,可能造成故障漏报.在此基础上,提出用残差CUSUM控制图来检测自相关过程中的故障,运用时间序列模型的残差检测自相关过程中的故障,消除数据自相关性对控制图性能的不利影响.结果表明,该方法具有较好的鲁棒性和较高的准确率.     

An approach for mechanical fault classification based on generalized discriminant analysis

To deal with pattern classification of complicated mechanical faults, an approach to multi-faults classification based on generalized discriminant analysis is presented. Compared with linear discriminant analysis (LDA), generalized discriminant analysis (GDA), one of nonlinear discriminant analysis methods, is more suitable for classifying the linear non-separable problem. The connection and difference between KPCA (Kernel Principal Component Analysis) and GDA is discussed. KPCA is good at detection of machine abnormality while GDA performs well in multi-faults classification based on the collection of historical faults symptoms. When the proposed method is applied to air compressor condition classification and gear fault classification, an excellent performance in complicated multi-faults classification is presented. __________ Translated from Journal of Vibration Engineering, 2005, 18(2) (in Chinese)     

一种基于事务时序图的恶意事务检测算法

为了提高对数据库恶意事务的检测粒度和检测范围,在基于事务时序图的数据库管理系统恶意事务入侵检测机制的基础上,通过增加记录条件短语,扩展了审计表内容,增加节点属性,改进了合法事务时序图.提出了一种基于合法事务时序图的恶意事务检测算法.该算法可以使检测粒度细到查询语句条件级,而且能检测单语句事务等一些特殊事务.实验表明,该算法具有更强的检测能力、更广的适用范围及较好的性能,并能方便地应用于实际的数据库管理系统中.     

基于双曲正割函数趋近律的多轴调平滑模控制研究

为解决复合材料压机多轴调平系统的控制精度不高的问题,将滑模变结构控制算法应用到多轴调平系统中。开展了多轴调平系统的不平衡机理、调平控制策略及算法的研究,建立了多轴调平系统的数学模型。结合基于双曲正割函数改进的指数趋近律,提出了一种多输入多输出滑模变结构控制算法,给出了控制器的设计方法,并将其应用到滑块的水平控制中。通过仿真分析和试验验证相结合的方式验证了算法的有效性。研究结果表明:该控制器能削弱抖振,使多轴调平的滑块系统快速准确地进行调平,能较好地抑制干扰和未建模动态,提高了系统的鲁棒性,且控制器简单,易于实现。