基于随机共振和支持向量机的频谱感知

认知无线电是一门新技术,它的目标实现用户的动态频谱接入,提高频谱的使用效率。频谱感知是认知无线电的基础,它的作用是感知频谱空洞,实现对主用户无干扰接入。频谱感知需要在极低信噪比下有较好的感知性能,才能保证感知用户在不影响主用户通信的情况下进行通信。即使在较低的信噪比条件下,它也需要较高的检测性能。提出一种对信号进行双稳态随机共振和特征识别的方法,首先信号先通过随机共振系统以提高信噪比,然后使用FAM算法将信号的循环谱特征提取出来。最后使用支持向量机(SVM)对特征进行模式识别。实验结果表明,在低信噪比下本方法相比传统的能量检测和SVM方法具有更高的检测可靠性。     

基于SOM-SVM频谱感知算法

频谱感知技是认知无线电中的关键技术。本文提出了利用SOM SVM模型进行频谱分类的方法。SOM SVM模型是利用SOM的聚类特点,将含有相同特征的输入样本聚集在一起,并把离聚类中心较远的输入样本舍去。经过20%的样本压缩后,将含有代表性的小样本再送入SVM进行训练。本文的样本集通过实验平台采集,验证了基于支持向量机的频谱感知方法在实际数据测试条件下也能取得很好的感知性能。仿真结果表明,SOM SVM模型在低信噪比下,频谱检测率接近100%,检测错误率也得到了很好的改善。     

基于支持向量机的谐波阻抗估计方法

提出了一种基于支持向量机的谐波阻抗估计方法：利用在公共连接点测量的谐波电压和谐波电流信号,通过支持向量机构造回归模型,进而回归出谐波阻抗。相对于“波动法”、“双线性回归法”和“二元线性回归法”等谐波阻抗估计方法,该方法能解决小样本、非线性、高维数和局部极小点等实际问题,当谐波阻抗变化时,也具有良好的泛化性和精度。通过对实验电路的仿真分析验证了该方法的有效性,并与其他谐波阻抗估计方法进行了比较分析。     

基于支持向量机的谐波阻抗估计方法

提出了一种基于支持向量机的谐波阻抗估计方法:利用在公共连接点测量的谐波电压和谐波电流信号,通过支持向量机构造回归模型,进而回归出谐波阻抗.相对于"波动法"、"双线性回归法"和"二元线性回归法"等谐波阻抗估计方法,该方法能解决小样本、非线性、高维数和局部极小点等实际问题,当谐波阻抗变化时,也具有良好的泛化性和精度.通过对实验电路的仿真分析验证了该方法的有效性,并与其他谐波阻抗估计方法进行了比较分析.     

基于PCA和混合核函数QPSO_SVM频谱感知算法

频谱感知是认知无线电系统的关键技术之一,针对基于支持向量机的频谱感知方法中核函数选取的单一性和核函数参数的不确定性,提出一种基于混合核函数支持向量机的频谱感知算法,将两种核函数混合构造新的核函数,采用量子粒子群算法对其中的参数进行优化,并引入主成分分析方法对样本进行降维并提取其全局特征。实验结果表明,该模型较传统方法在低信噪比下无线环境中的分类精度上有了明显提高,在信噪比为－10 dB的无线环境中能完全识别出主用户,为频谱感知提供了一种可靠性高的设计方案。     

基于支持向量机模型的环境音分类研究

音频分类是提取音频结构和内容语义的重要手段,是基于内容的音频、视频检索和分析的基础.支持向量机(SVM)是一种有效的统计学习方法.本文提出了一种基于SVM的音频分类算法.将环境音分为6类:车鸣声,钟声,风声,冰块声,机床声和雨声.特征抽取是音频分类的基础.本文从帧层次上深入分析了不同类音频之间的区别性特征,包括频域能量,子带能量,过零率,频率中心,带宽,基音频率及MFCC(Mel-Frequency Cepstral Coefficients).实验结果表明,支持向量机模型的环境音分类性能较好,最优分类精度达到97.73%.     

基于相空间重构和支持向量机的电能扰动分类方法

电能扰动的分类需要信号特性提取和分类器构造2个阶段,文中采用相空间重构和支持向量机的组合,提出了一种全新的电能扰动信号的分类方法。首先利用相空间重构方法构造扰动信号轨迹,通过编码获得二进制轨迹图像。针对该图像定义了4类具有区别性的指标,以表征不同扰动类型的特性。然后将特性指标作为支持向量机分类器的输入矢量,实现自动分类识别。算例表明该方法计算量少,正确率高,所需训练样本少,可以有效分类识别电压暂降、电压瞬升、电压中断、脉冲振荡、谐波、闪变等6种电能扰动。     

配电网谐波源定位的支持向量机估计算法

使用一种简化的方法确定谐波监测点的位置。该方法基于电路网络拓扑分析,通过计算母线谐波电压相对注入谐波电流变化的敏感因子,确定谐波监测点的位置;利用谐波监测点的实时数据,建立基于支持向量机算法的谐波源定位估计器,实现谐波源的位置估计。谐波源定位估计器通过基于支持向量机算法进行设计。对线型估计器、基于多项式核函数以及径向基核函数的估计器进行了比较,实验结果表明,基于径向基核函数的非线性支持向量机估计器具有更高的估计精度,且能够较准确地判定谐波源的位置。     

基于支持向量机的开关磁阻电机转子位置估计

开关磁阻电机具有结构简单、工作可靠、效率高和成本较低等优点,在很多领域都显示出强大的竞争力,但是位置传感器的存在不仅削弱了开关磁阻电机结构简单的优势,而且降低了系统高速运行的可靠性,增加了成本.针对这一问题,提出了基于支持向量机的开关磁阻电机转子位置估计新方法.该方法针对开关磁阻电机的非线性,利用支持向量机泛化能力强以及能够较好地解决小样本学习问题的特点,通过离线学习的方法形成一个理想的支持向量机结构来实现电机电流、磁链与转子位置之间的非线性映射,实现开关磁阻电机的转子位置估计.仿真及实验结果表明,该方法能够实现电机转子位置的准确估计,进而实现开关磁阻电机的无位置传感器控制.     

基于支持向量机的动态电能质量扰动分类方法

将支持向量机SVM(SupportVectorMachine)引入到动态电能质量分类问题中。在Matlab中编程建立了谐波、电压暂升、电压跌落、瞬时中断、电压波动、瞬变6种常见动态电能质量扰动数学模型,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,产生训练和测试样本。给出了利用LIBSVM解决电能质量扰动分类问题的步骤,并根据分类结果对影响分类效果的参数进行了分析。对训练好的支持向量分类器进行测试,效果良好,当采用C-SVC,RBF核时调整参数可以得到最优分类效果,最高分类率可达到96.67%。     

基于奇异谱熵和支持向量机的变压器绕组松动识别及定位

绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 kV变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。     

一种基于支持向量机的数字调制识别方法

本文给出了一种基于支持向量机的数字通信信号调制方式识别方法。从信号的瞬时幅度,相位,频率和频谱等特性中提取了7个特征参数,用于训练支持向量机。与已有算法相比,算法结构简单、计算量小,同时考虑了符号成型的影响。仿真结果证明,当信噪比大于10dB时,算法的识别率可以达到95%以上。     

基于粒子群算法的决策树SVM多分类方法研究

针对SVM多分类问题提出了一种基于粒子群算法的最优决策树SVM生成算法,以解决传统支持向量机多分类方法存在的不可分区域和误差积累现象。该方法利用自变异的PSO聚类算法在每一决策节点自动寻找最优或近优分类决策,将数据集划分为两类,直至叶子节点为止,最终根据最优决策树构建SVM多分类结构,训练各个节点SVM分类器。将该算法应用于图像人群密度分类问题,仿真实验表明,分类精度和分类时间得到明显改善,是一种有效地的多分类算法。     

基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究

风电机组行星齿轮箱振动信号是一种典型的非平稳、非线性信号,传统故障检测方法对于此类信号处理能力有限。为了克服传统方法的不足,提高故障诊断能力,提出了一种基于多重分形谱和支持向量机相结合的故障检测方法。首先通过多重分形定义求取信号的多重分形谱。然后在多重分形谱中提取八个特征量。最后将特征量作为支持向量机的输入向量,实现了在不同转速情况下对正常信号和四种太阳轮故障信号的分类与识别。实验结果证实了所提方法对行星齿轮箱信号特征进行提取是有效的,在不同转速情况下均提高了故障识别率。     

基于惯性传感的人员行进动作识别方法

人员行进动作的识别对于行人航位推算(PDR)的计算精度有至关重要的影响。将连续的行进过程依据零速率修正点(ZUPT)划分为单步动作后,准确的动作识别是PDR系统的难题之一。将惯性测量单元IMU固连在胫骨中间外侧位置,采集了大量人员行进过程胫骨运动的加速度和角速度,建立了用于行进动作识别的惯性传感数据库。通过对人员的平地行走、上楼梯和下楼梯的惯性传感数据的分析,建议了一种结合运动特性寻找行进过程中零速率修正ZUPT点的方法。在完成单步步态划分的基础上,提出了一种基于支持向量机(SVM)理论,并采用惯性传感数据作为特征的SVM行进动作分类器。经大量人员行进实验验证,所建议的动作识别方法对于区分行走、上楼梯和行走、下楼梯,精度分别达到96%和85%。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于蚁群支持向量机的短期负荷预测

支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法（MG-CACO）对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。