基于单形进化算法优化支持向量机的运动想象脑电分类研究

由于支持向量机(support vector machine,SVM)优化算法存在易陷入局部最优解、控制参数较多的问题,提出一种基于单形进化(surface-simplex swarm evolution,SSSE)算法优化的SVM并对运动想象(motor imagery,MI)脑电信号的分类进行了研究.提取MI脑电信...     

小波变换的自发脑电信号特征提取

针对脑机接口(BCI)研究中2种思维任务的特征抽取和分类,提出采用小波变换后具有较高分类能力的部分分解系数,并以Fisher距离作为特征可分离能力的度量。选择具有较大可分离性的系数均值及子空间能量作为有效特征,组成所有待分析通道的特征形成特征向量。利用BCI 2005竞赛数据,分析了该方法的实验背景和理论依据,并将分类精度与竞赛的最好结果进行了比较,表明了所提出方法运用在实际系统中的有效性和优越性。     

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%.     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节。针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果。     

集成学习在脑机接口分类算法中的研究

提出了一种基于独立分量分析的支持向量机集成学习算法,用于脑机接口中P300字符识别.首先由P300信号分解出独立分量,基于Bagging算法送入支持向量机基分类器进行集成学习,通过平均的方法获得对应类别概率进行分类决策.数据来源于P300字符拼写实验,不同导联和不同序列的分类结果表明,该分类算法学习效率和分类精度高,全...     

基于遗传算法和支持向量机的特征子集选择方法

在模式分类系统中,往往需要从大量的特征中选择最优的特征子集,人工选择特征的方法往往费时费力,本文采用遗传算法(GA)对支持向量机进行封装的方法选择特征子集。首先使用遗传算法随机产生若干特征子集,通过选择、交叉和变异操作产生新的特征子集,经过若干代之后,得到最优的特征子集。在遗传算法中最重要的是适应度的确定,本文用支持向量机(SVM)作为分类器,为了避免出现“过拟和”,把特征子集的5阶交叉验证分类准确率和特征数量的联合函数作为适应度函数。对UCI机器学习库中SONAR和LED数据集进行实验,结果表明本方法可以有效滤除无关特征并提高分类准确率。     

脑机接口中半监督学习算法研究

为提高脑机接口系统分类的正确率,避免大量烦琐枯燥的学习训练过程,提高其适用性,提出一种改进的基于支持向量机的半监督学习算法。该算法针对在线采集的脑电数据,根据支持向量机判别函数处理未标签样本,调整分类器训练集,同时动态调整支持向量机中惩罚因子C的值,提高了分类器性能。实例分析表明该算法比传统半监督学习算法更适用于脑电信号分类。     

基于支持向量机的铝板表面缺陷检测分类

论述了基于机器视觉的铝板表面缺陷检测方法,提取7种铝板表面缺陷的多种特征值作为训练数据进行学习。介绍了支持向量机的原理和核函数的选择,在VC环境中构建支持向量机分类模型,用该模型对铝板表面缺陷进行分类标识,最后对支持向量机分类器的分类准确性、稳健性作出评价。     

基于支持向量机的高速铁路电能质量数据分类方法研究

针对电能质量监测系统的海量多特征数据信息,提出采用基于支持向量机的回归特征消去法进行特征选择,综合支持向量机对不同的电能质量特征集的分类正确率选取了最优特征集。以高速铁路电能质量数据为例,利用该方法对有无高铁负荷运行进行了分类研究。实验结果表明,所选出的特征集反映了高铁电能质量特点并具有很好的分类效果,证明了所提方法的可行性,为电能质量数据挖掘分类提供了一种思路和方法。     

一种基于多类支持向量机的故障诊断算法

主要研究了多类支持向量机算法,及其在多类故障诊断问题中的运用.考虑到传统"一对一"算法和"一对多"算法的局限,提出了基于遗传算法的决策树支持向量机,利用遗传算法的全局随机搜索性能来构造决策树.根据样本数据的分布,遗传算法的适应度函数定义为两个子类集聚类中心之间的距离,使得在决策树的每一个节点最可分类别尽可能分开.通过对三个数据集进行仿真分析,表明该算法的性能优于两个传统算法,具有更高的推广能力,验证了算法的有效性.     

基于支持向量机的配电网重构

配电网重构可以表述为模式识别问题。通过建立配电网的结构模式,并利用基于结构风险最小化原理的支持向量机,提出了一种配电网重构模式识别模型的构造方法。该方法利用支持向量机在解决有限样本、非线性及高维识别中的优势,提高了模型的泛化能力,同时结合配电网的特点利用同胚图建立了配电网的结构模式,解决了建模过程中输出空间难以确定和表达的问题,使模型能够适用于有一定规模的配电网络。算例表明所提出的方法可以在有限样本下取得较好的预测效果。     

基于支持向量机的铜矿成矿概率的研究

本文论述了基于支持向量机SVM（Support Vector Machine）的铜矿成矿概率估计系统的设计思想和实现方案。分类是采用联合的支持向量机分类器,由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维的情况下。在这个系统中我们尝试了多种基于支持向量机的多分类方法,并且还与其他类型分类器进行了比较试验。试验的结果表明,在小样本情况下,支持向量机的效果更好,识别率更高,能够很好地满足设计要求的系统。     

采用支持向量机图形用户界面的电力负荷组合预测方法

运用多种预测方法对中长期电力负荷预测所得结果会相差甚远,而综合各方法的组合预测能够避免其偏颇。由于在小样本和非线性拟合能力方面的优势,支持向量机方法被用于组合预测：多种传统方法预测值作为输入,拟合输入与输出之间的非线性关系,求得预测结果。针对SVM在处理回归问题时算法编程及参数寻优较为复杂的问题,提出了一种基于SVM图形用户界面（Graphical User Interface,GUI）工具箱的组合预测方法。算例分析表明,运用该方法,在预测过程中可直观、方便地应用通用软件工具包,且预测精度较高,便于推广和工程应用。     

支持向量机的低压故障电弧识别方法

故障电弧是引发电气火灾事故的主要原因之一。该文将支持向量机引入故障电弧研究领域,进行不同负荷情况下故障电弧识别检测。首先参照美国UL1699标准进行实验采集电流数据,然后利用支持向量机实现故障电弧训练、检测识别,并对训练、识别结果进行分析,实验证明本文的检测方法具备一定的泛化能力。     

基于支持向量机核函数的研究

支持向量机(SVM)是近些年才提出的以统计学习理论为基础的新型学习机,同时因为其具有很强的实用性和广泛的适应性受到了普遍重视.支持向量机的许多特性是由所选择的核函数来决定的,因此如何选择核函数成为支持向量机的重要内容之一.在Matlab平台下使用libsvm工具箱对各常用核函数进行试验,通过仿真得到的图形和数据进行对比分析得出结论.     

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;iJII练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性.对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度.     

基于遗传优化支持向量机的开关磁阻电机非线性建模方法

将有限元法(FEM)与非线性映射技术相结合,得到了开关磁阻电机(SRM)动态仿真模型.利用FEM获取了SRM的磁化特性和转矩特性数据,并依此对支持向量机进行了训练,进而在MATLAB中建立了仿真模型.采用改进型遗传算法对支持向量机的超参数进行全局寻优,提高了其逼近和泛化能力.基于对磁化特性数据的分析,引入了分段训练的思想,进一步提高了模型在小电流下的仿真精度.将所建模型的动态仿真结果与FEM分析结果相比较,验证了建模方法的有效性.     

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

基于模糊支持向量机的输电线路故障模糊分类方法及其降维显示

针对已有输电线路故障分类方法在样本中存在噪声时准确率有所降低情况,研究了基于Hilbert-Huang变换和模糊支持向量机(fuzzy support vector machines,FSVM)的输电线故障模糊分类方法,以提高输电线路故障分类的准确率.采用HHT变换获得故障时刻,提取故障后A、B、C三相及零序电流的特征能量函数值,组成FSVM的4维输入向量.利用网格优化方法对FSVM二分类器的惩罚参数C、核函数宽度σ进行优化.构造了FSVM的高维空间带状分段隶属度函数,求取样本的模糊决策函数值.构造多FSVM分类器.将故障时刻后特征向量送入多FSVM分类器,得到样本的故障分类初始标签.构造支持向量回归机(support vector regression,SVR),优化获得测试样本的最终故障隶属度,再对FSVM的分类标签进行修正.研究采用主成分分析法对样本高保真的降维处理方法、在3维坐标系中显示降维后3维向量及其故障模糊分类结果.为了测试算法,做了784组仿真实验,实验结果表明:FSVM+SVR的输电线路模糊故障分类方法不受故障点、故障类型、过渡电阻影响,故障识别率达到99.4％.在训练集1/5故障数据中加入5 dB Gauss白噪声,故障识别率仍保持不变.研究表明基于模糊支持向量机的分类方法适用于线路故障分类.     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。