支持向量机在网络故障诊断中的应用研究

支持向量机是一种解决小样本、非线性、高维问题的机器学习算法,它为网络故障诊断向智能化方向发展提供了新的途径。介绍了支持向量机的基本原理,并且以实验网中采集的数据为例进行了实验,对实验过程和结果进行了说明和分析。     

支持向量机在局域网故障诊断中的应用

研究局域网故障诊断问题.由于当前局域网故障诊断方法存在诊断速度慢和不确定性等缺陷,为了能够更准确、有效快速地排除局域网故障,将支持向量机方法引入到对局域网的故障诊断中.对标准支持向景机原理进行了深入分析,针对参数优化过程中存在的速度快,很难找到最优参数的难题,提出了采用遗传算法对支持向景机进行改进,将改进前后的支持向量机用于局域网的故障诊断中.仿真结果表明,改进后的支持向量机能够更有效快速地完成对局域网的故障诊断,为局域网故障诊断的方法设计提供了参考.     

支持向量机在局域网故障诊断中的应用

随着计算机网络技术的进步,局域网得到了快速的发展,在各行各业应用广泛.本文介绍了局域网故障诊断发展与支持向量机概述,分析了支持向量机在局域网故障诊断中应用的意义,并提出了支持向量机在局域网故障诊断中的应用.     

支持向量机回归方法在故障诊断中的应用研究

支持向量回归是支持向量机用于回归中的情况,首先介绍基于支持向量机的线性回归和非线性回归的基本原理,然后提出一种时间序列预测方法和误差评价的方法,最后在matlab中模拟简化同步的异常情况,通过实时采集的数据与多步预测值的残差来判断电机的异常,实验表明利用支持向量机回归能及时跟踪输出数据的变化,对设备进行在线故障检测是非常有效的。     

基于双重支持向量机的网络故障诊断

为了提高网络故障诊断模型的建立和诊断速度,提出一种双重支持向量机(Dual-SVM)算法.通过两次SVM训练确定诊断模型:第1次SVM训练通过两类样本的类中心和样本点在类中心连线方向上的投影分布情况直接确定近似最优分类面;第2次SVM训练根据第1次的训练结果选择边界样本点并计算其模糊隶属度,通过模糊SVM获得诊断模型.在DARPA数据集上的实验表明, Dual-SVM相较SVM能够获得更快的训练速度和更加简单的故障诊断模型.     

基于BP神经网络和支持向量机的电机故障诊断系统

故障诊断是计算机模式识别领域的一个活跃课题。文中提出一种基于BP神经网络和支持向量机（SVM）的电机故障诊断方法，设计了适合该诊断系统的网络结构。仿真结果表明：该网络结构比BP算法具有更快的学习速度和更高的学习精度，完全适用于电机故障诊断系统。     

支持向量机在模拟电路故障诊断中的应用

故障诊断发展的瓶颈之一是故障样本的缺乏,而不仅在于诊断方法本身。支持向量机是建立在结构风险最小原则基础上,专门针对小样本情况的,其目标是得到现在信息下的最优值而不仅仅是样本数趋于无穷大时的最优值。它能在训练样本很少的情况下达到很好的分类效果,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机的二值分类算法,以支持向量机二值分类为基础,构建了基于支持向量机的多值分类器并应用于模拟电路故障诊断。以两管视频放大器的多种故障分类为例,进行了实际应用验证。结果表明,该诊断方法具有算法简单、可对故障在线分类,有很好的分类能力和较高的计算效率,不需要对原始数据进行预处理就可达到满意的效果。     

基于支持向量机故障诊断方法

支持向量机是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果.本文以双螺杆挤出机为例,介绍了基于支持向量机的多故障分类器,探讨了"成对分类"与"一类对多类"两种多类分类算法的应用.诊断实例表明,基于支持向量机的多故障分类器对设备故障具有很好的分类效果.     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

支持向量机在人口预测中的应用

支持向量机是一种新型的机器学习方法,该学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将这种新的统计学习方法应用到非线性时间序列预测,并将结果与BP神经网络预测的结果进行比较,结果表明该方法有更高的预测精度。     

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。     

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。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

基于神经网络和向量机的容错控制研究

提出了一种容错控制新方案,该方案融合了神经网络与支持向量机的容错控制技术,解决了传统容错控制系统不能对复杂非线性系统进行有效控制的问题。采用该方法对发动机容错控制系统进行了仿真,证明了该系统具有良好的容错控制的性能。     

基于小波包特征熵支持向量机的故障分类方法研究

提出了一种基于小波包特征熵和支持向量机相结合的故障分类方法,利用小波包分解提取信号的特征熵.然后将得到的特征熵向量输入支持向量机进行故障识别;通过对某型飞机液压系统试验中获取不同的故障特征数据进行分类,结果表明,该方法能利用较少的故障特征得到较高的诊断精度,与BP神经网络相比,采用支持向量机进行故障分类可以获得更高的识别率,表明该方法是有效、可行的.     

机电设备故障诊断和趋势预测的支持向量机方法

分析了支持向量机(Support Vector Machine-SVM)的分类和回归算法。对近年来SVM在设备故障诊断和趋势预测方面的应用进行了回顾,给出了SVM用于设备状态趋势预测的模型和算法。采用AR(Auto Regressive)模型和SVM模型进行实验台的振动烈度的预测,表明SVM模型具有长区间预测精度高的特点。讨论了SVM在设备故障诊断和趋势预测研究的发展前景。     

基于PCA-SVM的区域经济预测研究

针对区域经济存在高度的非线性、各指标间存在数据冗余等特征,使得传统的经济预测方法精度较低,为解决上述问题,提出了一个基于主成份分析的支持向量机的区域经济预测模型(PCA-SVM).选择对影响长株潭区域经济发展的各因子进行主成份分析,消除各因子之间的冗余性,从而减少了支持向量机的输入维数,增加了支持向量机预测速度,利用PCA-SVM模型对长株潭2003-2007年经济数据进行了验证性测试和分析,结果表明,相对于各参比模型,PCA-SVM模型预测精度显著提高,是一种高效的区域经济预测模型,为预测研究提供依据.     

基于遗传算法支持向量机的网络入侵预测

在预测网络安全问题的研究中,针对网络入侵检测优化问题,为了改变传统入侵检测算法存在训练精度高,预测精度相当低的过拟合难题,提出一种基于遗传算法的支持向量机。支持向量机首先利用遗传算法搜索最优的支持向量机参数,然后用得到的最优参数来训练,利用训练得到的最优算法模型对测试集进行建模预测。并利用支持向量机对KDD 1999 CUP数据集进行了仿真。实验结果表明,方法在降低训练时间的同时有着很好的检测率,优于经典的神经网络算法,方法提高了预测效率。