基于参数优化支持向量机的矿用变压器故障诊断

支持向量机（Support Vector Machines,SVM）理论在变压器故障诊断中得到了越来越多的应用,由于变压器故障数据有限,在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,本文提出了支持向量机的参数和参数的交叉验证算法,寻找最佳的参数和参数,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,具有较高的故障诊断准确率。     

基于蚁群支持向量机的模拟电路故障诊断

针对人为选择支持向量机参数的随机性和盲目性,将蚁群算法的全局收敛和并行计算的特点引入到支持向量机参数的优化中,建立了基于蚁群算法优化支持向量机参数的模型,使两种算法的优点有机结合,通过对支持向量机的惩罚因子和核函数参数进行优化,使支持向量机分类效果达到最好,并与遗传支持向量机模型比较,结果表明:蚁群算法优化支持向量机参...     

基于灰狼算法优化SVM的变压器故障诊断

电力运行离不开变压器,一旦变压器发生故障将造成难以估量的损失,而传统的变压器故障诊断方法在准确率存在方面不足,因此文章提出一种基于灰狼算法优化支持向量机（GWO-SVM）模型。该方法通过支持向量机（SVM）对故障数据进行分类,并用灰狼算法（GWO）对SVM的核参数g以及惩罚因子C进行优化,通过不断训练GWO-SVM使其故障诊断精度提高。文章分别对比了标准SVM和粒子群优化后的SVM(PSO-SVM)模型,经比较GWO-SVM模型精度比标准SVM模型高7.5%,比PSO-SVM模型高2.5%,证明GWO-SVM模型具有可行性。     

卷积神经网络联合SVM的降水粒子分类

针对传统模糊逻辑降水粒子识别算法存在过度依赖专家经验来设置参数的缺陷,提出一种基于卷积神经网络（Convolutional Neural Network, CNN）和支持向量机（Support Vector Machine, SVM）联合结构的降水粒子分类方法。本文首先搭建了适用于双偏振雷达数据矩阵传播结构的4种卷积神经网络模型,通过对KOHX雷达各极化参数进行分块和堆叠操作,制作模型所需数据集并训练模型。然后根据各CNN模型对目标块的分类特点,结合SVM分类器,搭建能够识别5类目标粒子的联合结构。最后,对KOHX雷达0.5°仰角扫描数据进行测试,得到该联合结构模型的分类准确率达94.92%。并且对于不同仰角、不同雷达的扫描数据均能进行有效分类,表现出较好的鲁棒性。     

一种基于SVM的雷达目标识别算法

针对目前支持向量机多类分类方法存在的缺点,丈中对支持向量机的高斯核函数进行改进,并提出一种结合留一法和单一验证法的参数选择新方案.基于3种雷达目标的HRRP数据,设计了相应的预处理算法,利用改进的SVM分类法用于高分辨距离像的雷达目标识别.从实验目标姿态稳定性、训练集大小稳定性和抗噪能力三个方面验证改进SVM的稳健性.     

混沌优化的仓储害虫声音信号识别研究

为了提高仓储物害虫声音信号的自动识别率,寻找支持向量机模型参数C和核宽度参数σ的最优组合,提出了基于混沌优化的支持向量机模型参数自动选择算法.基于径向基核函数(Radial Basis Function,RBF)的支持向量机模型参数C和核宽度参数σ对其泛化能力有很大的影响,首先产生Logistic映射和圆映射的混沌混沌数值序列,而后以通过载波形式将混沌变量的值域"放大"至参数(C,σ)的取值空间,寻找优化变量(C,σ)的最优组合.与网格法的比较实验结果表明,该方法不但可以提高分类识别率,而且显著减少了支持向量机的训练个数,并使支持向量机具有更好的推广能力.     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

基于HOG特征与SVM的胶体气泡识别方法研究

本文提出了一种基于HOG特征与支持向量机的分类方法,来代替目前人工检测光纤连接器中的胶体是否存在气泡.该方法先对视频中的胶体部分进行逐帧取样,根据样本制作正、负样本训练集以及测试集,接着选择适当的参数提取了训练集和测试集中胶体气泡HOG特征,并通过支持向量机来进行训练和测试统计的HOG特征,来识别胶体是否存在气泡.最后以人工识别为标准,并与本方法的分类结果进行验证.其实验结果表明该方法能够有效地将有、无气泡的样本进行分类,并在时间和人力上取得明显的优势.     

管道缺陷漏磁信号分类与识别方法的研究

为了提高管道漏磁检测缺陷识别的准确性和识别效率,引入支持向量机作为缺陷分类与识别的平台.利用ANSYS软件对具有不同长度、宽度和深度的多组缺陷模型进行缺陷漏磁场仿真,将仿真得到的漏磁场磁通密度数据保存在文本文件中,封装成符合LIBSVM支持向量机工具格式的训练数据,对支持向量机训练.使用训练后得到的支持向量机模型进行缺陷分类.实验结果表明,支持向量机分类性能良好,应用在漏磁检测缺陷分类中具有可行性.     

基于特征值的激光成像雷达目标识别算法

提出了一种基于特征值的激光成像雷达目标识别算法。首先从激光成像雷达中获取目标场景的距离像,将场景中各个目标分离,分别提取各个目标距离像的特征值,然后用网格搜索算法对支持向量机参数进行优化,最后应用支持向量机对分离出来的三种目标进行分类识别。仿真实验表明:该方法简单易于实现,识别效果较好。