基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

基于集合经验模态分解和支持向量机的短期风速预测模型

通过构建基于数据预处理的EEMD-SVM混合风速预测模型,预测黄土高原陇东区环县风电场的日平均风速.数值分析结果表明,EEMD-SVM模型的预测精度高于基于离散小波去噪的混合模型DWT-SVM和单个SVM模型的预测精度.     

具有间断事件检测和分离的经验模态分解方法

针对在经验模态分解（EMD）筛选过程中间断信号引起的模态混叠问题,提出了一种新的解决方法．该方法为根据间断过程信号与正常背景信号时间尺度的不同,利用固有模态函数（IMF）的瞬时频率特性实现间断信号的精确定位,依据定位的间断信号段经端点延拓重新做EMD分离出间断信号,从而在后续的EMD中消除该间断信号的影响．将该方法与小波法消除间断信号的结果进行了比较,显示其滤除结果的信号失真较小,并可将间断信号分解为一固有模态函数．     

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。     

基于MRMR的集合经验模态分解和支持向量机的风电功率实时预测

风电场的输出功率对风能的利用有很大意义,准确地对风电功率进行预测可以使系统安全稳定的运行。先分析得出与功率有关的变量,根据最大相关最小冗余(MRMR)原则筛选得出特征,使该特征能够代替整个风场。由于风电功率时间序列的非平稳性等特征,对风电功率时间序列采用集合经验模态分解,然后建立支持向量机预测模型。通过算例验证分析说明该方法的有效性,可以提高预测精度,减小误差。     

基于最优特征的改进经验模态分解方法

针对经验模态分解(EMD)过程中存在的模态混叠等问题,提出了一种基于最优特征的自适应白噪声平均总体经验模态分解方法。该方法采用基于边界局部均值延拓的方法抑制端点效应问题,同时,在经验模态分解的每个阶段自适应地添加有限次白噪声,保证在平均次数相对少的情况下,通过计算唯一残余分量来获取信号的固有模态函数,从而避免了模态混叠问题的产生。通过分析仿真信号和实测信号,证明了该方法对模态混叠现象有一定的抑制作用,同时可有效避免端点效应问题的产生。     

双支持向量顺序回归机

针对顺序回归问题的深入研究,基于支持向量顺序回归机提出了双支持向量顺序回归机。由于双支持向量顺序回归机所对应的2个优化问题是对称的,则只需求解其中的一个问题,进而得出一个分划超平面。又因其对应的优化问题的规模只是支持向量顺序回归机规模的一半,故其运算速度会快于支持向量顺序回归机。数值实验的结果表明:双支持向量顺序回归机在一些数据分析中具有较高的正确率。     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

回归型加权支持向量机方法及其应用

针对各样本重要性的差异,提出了给各个样本的惩罚系数和误差要求赋予不同权重的加权支持向量机方法.给出了对偶最优化问题的描述及其SMO训练算法.在近红外光谱汽油辛烷值测定实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明采用加权支持向量机方法提高了汽油辛烷值的测量精度,从而说明了该方法可以提高回归估计函数的泛化能力.     

基于支持向量回归的自适应逆控制方法

将支持向量回归引入逆控制,提出了一种基于支持向量回归的自适应逆控制方法。采用支持向量回归在线辨识算法建立被控对象的逆模型,然后将逆模型作为控制器进行复制去驱动被控对象,从而完成一个自适应逆控制过程。由于支持向量回归是建立在小样本基础上的一种学习方法,因此较好地解决了对于线性系统自适应滤波算法存在的运算量大,权值失调及自适应过程时间长等问题。对于非线性系统,与现有的神经网络方法相比,该方法能提高收敛速度及逼近能力,而且具有更好的推广能力。仿真结果表明,应用该方法可以取得良好的控制效果,并具有较好的鲁棒性能。     

回归型模糊最小二乘支持向量机

为了克服最小二乘支持向量机对于孤立点过分敏感的问题,将模糊隶属度概念引入最小二乘支持向量机中,提出了基于支持向量域描述的模糊最小二乘支持向量回归机.该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球,再根据特征空间中样本与超球球心的距离确定它们的隶属度,减少了奇异点(噪声)的影响;把所要求解的约束凸二次优化问题转化为正定线性方程组,并采用快速Cholesky分解的方法求解该方程组.实验结果表明该方法在不牺牲训练速度的前提下,比支持向量机和最小二乘支持向量机具有更高的预测精度.     

Estimation of sand liquefaction based on support vector machines

The origin and influence factors of sand liquefaction were analyzed, and the relation between liquefaction and its influence factors was founded. A model based on support vector machines (SVM) was established whose input parameters were selected as following influence factors of sand liquefaction: magnitude (M), the value of SPT, effective pressure of superstratum, the content of clay and the average of grain diameter. Sand was divided into two classes: liquefaction and non-liquefaction, and the class label...     

基于混合遗传算法的支持向量机参数选择

针对常用的梯度下降法支持向量机参数选择方法易陷入局部极小点的问题,提出一种基于混合遗传算法的支持向量机参数选择方法.该方法结合遗传算法的全局优化能力和梯度法的局部寻优能力,能够选择到更好的支持向量机参数.仿真实验表明,使用该方法确定的参数可使支持向量机具有更好的泛化性能.     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

基于支持向量机的变异语音分类研究

变异语音的训练样本有限，采用传统的分类方法进行分类，效果不够理想，而支持向量机方法在有限样本情况下可以保持很好的分类推广能力．采用支持向量机方法进行变异语音分类，提取基频和TE0基频作为变异语音分类的特征，讨论了样本预处理和参数选择等问题．提出了直接截取和DTW规正两种方法来解决语音样本特征向量长度不一致的问题．基于TE0基频特征，采用指数径向基函数(ERBF)内核，对应力(G—force)影响下的变异语音进行分类，分类正确率可达到99．2％，比传统的贝叶斯分类器和HMM分类器，分类性能分别平均提高了12．6％和6．0％．实验结果表明，采用支持向量机方法进行变异语音分类是可行的．     

基于支持向量机的变异语音分类研究

变异语音的训练样本有限,采用传统的分类方法进行分类,效果不够理想,而支持向量机方法在有限样本情况下可以保持很好的分类推广能力.采用支持向量机方法进行变异语音分类,提取基频和 TEO 基频作为变异语音分类的特征,讨论了样本预处理和参数选择等问题,提出了直接截取和 DTW 规正两种方法来解决语音样本特征向量长度不一致的问题.基于 TEO 基频特征,采用指数径向基函数(ERBF)内核,对应力(G-force)影响下的变异语音进行分类,分类正确率可达到99.2%,比传统的贝叶斯分类器和 HMM 分类器,分类性能分别平均提高了12.6%和6.0%.实验结果表明,采用支持向量机方法进行变异语音分类是可行的.     

支持向量机α阶逆系统解耦控制方法

为了解决采用传统逆系统方法难以建立逆模型的困难,提出了基于支持向量机(SVM)的α阶逆系统解耦控制方法.在被控对象精确模型未知的情况下,根据SVM的非线性辨识原理,利用具有高斯核函数的SVM离线建立被控对象的非线性逆模型,根据逆系统方法原理,将得到的SVM逆模型串联在原系统之前,将复杂的非线性多变量系统解耦成多个相对独立的单输入输出伪线性子系统.通过对一个典型的两输入两输出强耦合非线性系统进行仿真，结果表明,在没有系统模型先验知识的情况下，利用该方法能够建立准确的非线性系统的逆模型.基于SVM的α阶逆系统解耦控制方法适用于较一般的离散非线性系统，且结构简单，易于工程实现.