基于NMF-SVM模型的上肢sEMG手势识别方法

针对基于表面肌电信号进行动作识别的问题,按照不同的运动形态对应的各肌肉激活程度不同的思路,建立基于非负矩阵分解（NMF）与支持向量机（SVM）的联合模型,对从肌电信号中提取的特征值按照行表示肌肉类型,列表示特征值类型的规则组成规律性的特征矩阵,并对特征矩阵进行非负矩阵分解降维,降维得到的表征各肌肉激活程度的系数矩阵送入到支持向量机中训练并分类。基于非负矩阵分解与支持向量机联合模型与传统SVM模型相比,计算效率提高了一半,识别率提高了5.2%;通过样本分离实验表明,该算法依然有91.7%以上的识别率,验证了算法的有效性。     

基于模糊粗糙集和支持向量机的化工过程故障诊断

为解决化工过程故障不易诊断的问题,提出一种基于模糊粗糙集特征提取和支持向量机的故障诊断方法。首先,利用模糊粗糙集对特征信息进行提取,构筑相应的故障特征集合;然后,将故障特征集合对应的样本输入到支持向量机分类器,实现对化工过程不同故障的识别。在TEP故障诊断中的应用表明了所提出方法的有效性。     

基于NMF改进算法的人脸识别仿真研究

研究人脸识别性能问题,由于要求图像识别处理精度高,速度快,传统的非负矩乘分解方法,在NMF矩黄的构建过程中,图像向量化会导致图像结构信息丢失,会对分类识别造成负面影响,使识别精度不是很理想.图像向量的高维数据使得NMF分解速度慢,从而影响识别速度.为了提高人脸识别性能,提出了(2D)2NMF方法,将混合正交基策略用于2DNMF和(2D)2NMF方法中,并且采用了线性SVM加权手段对2DNMF方法、(2D)2NMF方法分解得到的特征进行再一次选择.用ORL人脸库进行测试,结果表明,改进方法和策略有着更高的识别精度和更快的识别速度,为实际应用提供了依据.     

基于支持向量机的故障诊断

将支持向量机应用于故障的分类诊断,通过实例建立了两类故障分类器和多故障分类器,给出了具体的建立多故障分类器的步骤和仿真结果。最后提出了一种新的方法——基于支持向量机的并行诊断网络。     

基于孪生支持向量机的齿轮箱故障诊断

针对齿轮箱振动信号非平稳特性以及故障样本数据处理困难的特点,提出了基于小波包分解和孪生支持向量机的故障诊断方法。首先采集信号通过Mallat塔式算法对信号进行小波分解再重构从而获得频带能量谱,然后通过归一化的方法再提取各频带的故障诊断特征向量。并将它送入孪生支持向量机进行训练。实验表明,该方法有效提高了分类精度和鲁棒性,而且具有较高的诊断效率。     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD SVM的故障诊断方法;首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号;然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量;最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别:在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点.     

基于非负矩阵分解和支持向量机的心电图分类

提出一种心电信号分类方法,利用非负矩阵分解进行数据降维,运用支持向量机进行心电信号分类,以保留更多的原始数据信息,从而更有效地提取高维心电数据特征,提高分类准确度。通过对MIT-BIH数据库中4类常见心电信号进行分类实验,证明该方法的整体准确率达到99%。     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.     

基于稀疏性非负矩阵分解和支持向量机的时频图像识别

针对机械故障诊断领域对反映设备运行状态的图像识别困难以及选择和提取敏感特征困难的问题, 将基于图像的机械设备运行状态判别问题当作图像的识别问题来处理, 提出使用稀疏性非负矩阵分解(Sparse non-negative matrix factorization, SNMF)和支持向量机(Support vector machine, SVM)对时频图像进行识别进而判断机器运行状态, 从而避免特征的选择和提取. 稀疏性非负矩阵分解在对时频图像进行大规模压缩的同时, 能够很好地保留图像的隐含特征, 从而大大减少自动识别时频图像的计算复杂度, 并有效地提高支持向量机的识别精度. 此外, 本文还对影响识别率的稀疏性非负矩阵分解的各参数进行了讨论. 实验结果表明, 该方法对时频处理方法依赖性低, 在大多数情况下都能获得较传统方法高的识别率.     

基于EEMD的滚动轴承故障诊断

模糊熵是一种检测时间序列复杂程度的方法,在衡量时间序列复杂性方面具有广泛应用.由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析.基于此提出了基于集合经验模态分解和模糊熵的滚动轴承故障诊断方法.首先,通过集合经验模态分解将振动信号自适应的分解为多个不同尺度下的内禀模态函数;...     

7500吨浮吊齿轮箱故障诊断系统的研究

针对7500吨浮吊齿轮箱故障诊断问题,将离散小波变换和Tikhonov支持向量机结合建立了一个浮吊齿轮箱故障诊断系统。在输入层对振动信号进行离散小波变换,提取不同频带的能量参数作为故障特征向量,利用这些特征向量进行Tikhonov支持向量机的学习,训练后的Tikhonov支持向量机诊断浮吊齿轮箱故障。实验结果表明,离散小波Tikhonov支持向量机具有很强的故障识别性能和鲁棒性,诊断精度优于常规的BP网络方法。     

基于EasyEnsemble的化工过程故障诊断性能改进

化工过程故障诊断中样本数据分布不均衡现象普遍存在.在使用不均衡样本作为训练集建立各类故障诊断分类器时,易出现分类器的识别率偏置于多数类样本的结果,由此产生虽正常状态易识别,但更受关注的故障状态却难以被诊断的现象.针对该问题,本文提出一种基于Easy Ensemble思想的主元分析–支持向量机(Easy Ensemble based principle component analysis–support vector machine,EEPS)故障诊断算法,通过欠采样方法抽取多数类样本子集组建多个新的均衡数据样本集,使用主元分析(principle component analysis,PCA)进行特征提取并使用支持向量机(support vector machine,SVM)算法进行训练,得到多个基于SVM的故障诊断分类器,然后使用Adaboost算法集成最终的分类,从而提高故障诊断准确性.所提方法被用于TE(Tenessee Eastman)化工过程,实验结果表明,EEPS算法能够有效提高分类器在不均衡数据集上的诊断性能和预报能力.     

变压器远程故障诊断系统的设计

随着电力系统的发展,变压器数量的快速增加,作为电力系统的重要设备,变压器的故障诊断技术的发展也变得至关重要,传统的人工定期检测已渐渐不能满足实际需求,在线监控和远程监控已成为发展趋势。由于传统离线故障诊断和在线故障诊断的局限性,本文综合利用智能故障诊断技术、Internet技术、Matlab Web Server技术等开发了一个变压器远程故障诊断系统。利用二叉树模糊支持向量机(Fuzzy Support Vector Machines,FSVM)的方法进行变压器的故障诊断研究,采用B/S结构,使得远程客户端能通过Internet访问远程Matlab Web Server,利用训练好的模糊支持向量机模型进行远程故障诊断。实验结果表明,开发的远程故障诊断系统具有良好的跨平台特性,可以方便地进行远程故障诊断,易于监测现场人员使用,具有较大的实用价值。     

基于SVM的滚动轴承工作状态检测

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题.本文提出了一种基于多级支持向量机分类器的滚动轴承工作状态识别方法.该方法通过时域特征参数对原信号进行特征提取,不仅计算简单,而且不考虑滚动轴承的型号和转速.试验表明这种方法具有很好的分类能力.     

基于非线性频谱数据驱动的动态系统故障诊断方法

基于非线性频谱数据驱动方法, 研究了动态系统的故障诊断问题. 利用一维非线性输出频率响应函数提出一种非线性频谱特征提取方法, 为了提高实时性, 采用变步长自适应辨识算法进行求解; 根据估计偏差实时地改变步长, 兼顾了收敛速度与稳态误差; 获取了非线性频谱特征之后, 利用最小二乘支持向量机分类器进行故障识别. 通过对提升设备的故障诊断问题进行实验研究, 所得结果表明, 所提出的算法识别率高, 能满足在线诊断要求.     

支撑向量机在航空发动机故障诊断中的应用研究

航空发动机故障样本有限,利用传统的统计识别方法故障诊断,正确率不高.支撑向量机能解决小样本的故障分类识别问题.研究Support Vector Machine(简称SVM)核函数对识别精度的影响,并把SVM与最大似然法、马氏距离法,最小距离法进行比较,结果表明SVM核函数对故障识别正确率影响不大,基于SVM的航空发动机...     

基于粗糙集和支持向量机的机械故障诊断系统

提出了一种基于粗糙集和支持向量机(SVM)的机械故障诊断系统：首先将故障诊断决策系统中的连续属性值离散化；再基于粗糙集理论计算决策系统的约简，根据实际需要确定最优决策系统；最后在最优决策系统基础上设计SVM多分类器进行故障诊断。4135柴油机的实际故障诊断结果验证了所提出的粗糙集理论与SVM相结合的故障诊断系统的可行性。     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于支持向量机的电路故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型。通过遗传编程对时域指标进行特征选择和提取,得到更能反映信号本质的特征信号,该特征信号可作为识别特征输入多类支持向量机,实现对模拟电路不同类型软故障的识别。实验结果表明,同传统时域指标相比,经过遗传选择和提取的特征对模拟电路的软故障具有更好的识别能力,进而提高了多类支持向量机的分类准确性。