一种基于监督学习的输电线监测中杆塔的检测方法

为保证电力可靠配送,输电线路需要定期巡检,目前研究聚焦于自动检测输电线路,如检测杆塔,检查输电线缺陷损伤或分析安全距离等。对此提出一种基于监督学习来自动检测杆塔的方法,该方法利用方向梯度直方图特征训练支持向量机,从而支持向量机分类器,可将杆塔从背影中分离出来。试验结果证明,这种监督学习方法检测杆塔有效且高效。     

基于支持向量数据描述的变压器故障检测方法

在变压器故障诊断领域中,针对传统分类算法在没有故障样本信息的情况下无法有效实现故障检测不足的问题,提出了一种基于支持向量数据描述的变压器故障检测算法.该算法只需要目标样本,即正常样本进行训练,无需故障样本信息,最终得到描述正常样本空间结构信息的超球体,决策阶段利用与超球体中心的距离进行判断.通过实验表明,笔者提出的方法在故障样本不均衡的情况下能有效实现变压器的故障检测.     

一种小型电缆隧道检测机器人设计

电缆隧道检测机器人是一种工作于电缆隧道环境,采集图像、气体浓度、温度等信息的特种机器人.目前电缆隧道检测采用人工方法进行,尚无相关机器人产品投入使用.论述机器人的系统指标,提出了电缆隧道检测机器人的履带关节式行走方式,进而从整体角度介绍了隧道检测机器人的结构与控制系统.实验证明,该机器人具有结构紧凑,体积小,重量轻,便于携带的特点,并有较强的越障能力和环境适应能力.     

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HRM特征提取和SVM的目标检测方法

在航拍图像的目标检测中,由于目标外部形态以及复杂背景的影响,对一个有效的航拍目标检测仍然是目标识别领域的一个巨大挑战。提出了一种基于Hu矩、径向矩(Radial moment)组成的HRM(Hu Radial Moment)特征和支持向量机(SVM)的目标检测方法。该方法为首先提取目标的Hu矩特征,并结合其各向同性的径向矩特征共同构成新的特征向量HRM,然后采用支持向量机来对特征进行分类、预测。实验结果表明,针对不同的目标外部形态和复杂的外部场景,所提出的方法具有较高的检测率,且是高效的。     

属性约简的气胀锂电池在线检测方法

针对锂电池生产过程中气胀检测依赖于作业人员感觉和经验判断,主观性强且效率低的情况,提出一种基于机器视觉的气胀锂电池在线检测方法。特定角度和强度光源照射下,气胀电池与合格电池呈现不同的反射光斑分布。基于此特点,提取电池图像反射光斑区域特征作为分类器的输入。为满足在线检测系统实时性要求高的特点,提出粗糙集属性约简与C-SVM相结合的方法建立分类模型。首先基于属性重要度的粗糙集属性约简方法优选样本特征集,然后采用K折交叉验证和网格搜索法对C-SVM进行参数寻优,建立分类模型。实验结果表明,属性约简的锂电池检测方法减少了冗余信息的干扰,降低电池样本特征空间维数,缩短了检测时间,提高在线检测效率,检测精度达到96.774 2%,为生产过程中气胀电池的自动化分选提供了一种有效的方法。     

空瓶检测机器人瓶底缺陷检测方法研究

针对当前瓶底圆心定位方法精度不高、瓶底防滑纹区域缺陷易误检等问题,利用瓶底防滑纹的几何特征,提出一种改进的基于变权重随机圆拟合的瓶底定位算法,首先采用重心法对瓶底圆心进行快速预定位,再采用变权重随机圆拟合法实现瓶底精定位。然后检测瓶底图像疑似缺陷区域,并提取区域面积、轮廓长度、圆形度、灰度方差和灰度均值等特征,采用支持向量机算法进行分类决策,检测出缺陷。实验表明,瓶底定位误差小于6个像素,缺陷检测准确率为92.7%,基本满足实际生产精度的要求。     

基于支持向量机的键盘密码输入异常检测方法研究

随着电子商务的迅速发展,网络交易安全越来越收到重视,一旦用户帐号和密码被非法窃取,将蒙受巨大损失.本文介绍了一种基于支持向量机(Support Vector Machines,SVM)的方法对密码输入过程中键盘敲击频率等特征进行识别,以此判断密码输入者的身份.实验表明这种方法可以比较有效地检测异常密码输入.     

应用支持向量机实现计算机入侵检测

文章以计算机入侵检测方法为研究对象,着眼于对支持向量机的应用,首先研究了支持向量机的基本概念,对有关线性支持向量机以及非线性支持向量机的应用要点加以了分析,进而就引入支持向量机条件下,计算机入侵检测的工作过程进行了分析,最后以仿真分析的方式,验证了基于支持向量机检测方案在应用于计算机入侵检测中的优势与价值。     

针对非技术性损失的智能用电异常检测方法

非技术性损失已经成为影响电力公司收益和电能质量的重要因素。提出了一个基于不同用户类型的含离线参数优选和在线异常检测的非技术性损失检测方法。错分训练样本后,可以得出用户异常的实时检测结果,同时随着历史数据的更新,使检测率在运行过程中逐渐达到最优。选取支持向量机算法进行异常检测,并通过遗传算法求出针对不同用户的最优参数,以提高用户的异常检测率。在具体算例中,实时检测系统通过对检测准确率和异常误检率指标的评估,验证该检测方法在周期更新中的性能稳定性和降低电力公司成本方面的优势。     

基于 SSA-SVM 的海杂波背景下小信号检测方法

针对传统检测方法不能有效地从强混沌背景噪声中检测出小信号,本文研究了强杂波背景下小目标检测原理,提出了一种基于SSA-SVM的混沌小信号检测方法。利用麻雀搜索算法优化SVM惩罚参数C与核函数参数σ提高预测准确性,从而降低检测门限,提高检测率。在Lorenz混沌系统中加入目标信号进行仿真,结果表明：提出的方法能有效地从强混沌背景噪声中检测出小信号,瞬态小信号预测的均方根误差为0.000 434 3(信噪比为-137.707 3 dB),比传统SVM算法预测信号的均方根误差0.049(信噪比为-54.60 dB)降低了两个数量级。利用IPIX雷达实测海杂波数据,对所提方法进行实验验证,进一步说明了该方法的有效性。     

One airport detection method based on support vector machine

This paper proposes a novel airport detection method, which integrates the texture features and shape features of the airport. Eight texture features, such as the mean of the region, the deviation of the region, the smoothness of the region, the skewness of a histogram, the uniformity of the region, the randomness of the region, the mean of the gradient image and the deviation of the gradient image, are used to represent the features of the region. In this method, first the long lines are detected and the regions where the lines locate are segmented. Second, support vector machine (SVM) based on Gaussian kernel is used as a classifier which discriminates the runway from other candidate regions. Experimental results show that the error rate of the proposed method is lower than those of conventional methods which detect airport only by the shape feature of runway. The detection accuracy of the proposed method is nearly ten times higher than that of Liu’s methods, and the method has favorable speed for a real-time system. __________ Translated from Journal of Xi’an Jiaotong University, 2006, 40(6): 709–713 [译自: 西安交通大学学报]     

支持向量机在入侵检测中的应用

随着计算机技术技术的发展,入侵检测系统问题更加突出和复杂,它是任何一个完整的网络安全系统中必不可缺的部分。目前现有商用的入侵检测系统所采用的检测方法大多是基于规则的,这样就造成了它们只能够对某一些特定的或己知的入侵行为取得比较好的结果.本文把模糊C均值聚类和支持向量机结合到一起,支持向量机是一种高效的模式识别方式,为了降低它的运算复杂性,用FCM把输入数据进行适当处理。提高了系统整体入侵检测的运算速度和精度。通过实验证明了该方法具有一定的优势。     

基于机器视觉的啤酒瓶口缺陷检测分类方法研究

针对目前国内玻璃空瓶机器视觉检测系统存在瓶口缺陷分类检测精度不高的问题,提出一种基于机器视觉的可靠的检测方法。首先选取封盖面缺口、外环口崩口、口缘毛刺、口面磨损、内环口崩口、封盖面破裂等6种常见缺陷类型作为分类目标,研究6种常见瓶口缺陷类型图像的表面特征,提出以灰度方差等6种瓶口的缺陷特征构成支持向量机(SVM)分类算法的输入向量,并择优选择径向基(RBF)函数作为SVM分类器的核函数,然后根据瓶口缺陷的分类性质选择多类分类方式中的一类对余类法(OVR)设计相应的SVM。最后,每种缺陷都选取80个样本对所设计SVM分类器进行训练学习与测试。测试结果表明:设计的SVM分类器能较精准地检测出6种常见的瓶口缺陷类型,识别率为91.6%,满足生产企业对机器视觉检测系统缺陷分类识别的要求。     

基于概率预测与谐波潮流的配电网谐波源识别方法

为解决配电网中谐波源的位置和数量的信息不明确的问题,提出了一种谐波源识别方法。该方法首先采用灵敏度指数对谐波测量装置的选址进行优化,然后采用基于遗传算法优化的支持向量机概率预测算法对母线含有谐波源的概率进行计算,最后使用谐波潮流对识别结果进行验证和进一步的分析。为评估该方法的可靠性和有效性,该方法在IEEE-13节点系统上进行了仿真分析。仿真结果说明了算法的有效性。     

基于支持向量机的电力系统状态估计 多类型数据异常检测

为了解决异常数据严重影响电力系统状态估计性能的问题,提出了一种基于支持向量机(SVM) 的电力系统预测辅助 状态估计(FASE) 多类型数据异常检测方法。首先,针对传统 FASE 的预测准确率欠佳的问题,提出了基于极限学习机的 FASE 方法,并利用SVM 并基于预测数据、量测数据与估计值,实现了对坏数据、负荷突变和单相接地等多种类型的数据异常 检测。其次,针对惩罚因子和核函数参数会影响分类精度的问题,提出采用灰狼算法对 SVM 参数进行优化,在兼顾计算速度 的同时提高了数据异常检测的准确率。最后,在IEEE33 和丹麦DTU7K47 节点主动配电网系统上进行仿真测试,所提方法 在正常工况下提升26.08%与26.76%,计算速度提升46.05%,在数据异常情况下准确率综合提升32.04%与29.27%,结果 表明,所提方法具备较强的通用性与实时性,可以有效地检测电力系统中各种类型的数据异常,并提高状态估计的性能。     

燃料电池汽车用电磁铁的优化设计

对于氢燃料电池汽车,高压储氢瓶中电磁铁的吸合面的形状和位置对电磁力影响很大,而且呈现复杂的非线性关系。在有限元分析基础上,为了提高优化效率,提出基于吸合面支持向量机模型的优化设计方法。利用均匀设计方法在设计空间中选择建模样本点,用有限元方法计算建模样本点的电磁力,构成建模样本。基于支持向量机建立吸合面形状和位置与电磁力的非线性模型。对该模型采用遗传算法优化,计算出了最优吸合面形状和位置,并对优化结果进行了仿真和样机对比试验。结果证明了优化设计方法的有效性。     

基于改进OCSVM的智能变电站数据流异常检测方法研究

目前智能变电站的数据流异常检测对准确性和实时性要求较高,采用简单阈值的检测方法已无法满足要求。针对这一问题,基于智能变电站体系架构,提出了一种将改进的密度聚类算法和改进的单类支持向量机算法相结合用于智能变电站异常数据流检测的方法。使用k-dist图优化密度聚类算法对正常数据流样本进行聚类,形成样本簇。使用改进的粒子群算法优化单类支持向量机算法建立相应的检测模型,对异常数据流进行检测。通过仿真与传统检测方法进行对比分析,验证了所提方法的有效性。结果表明,与传统OCSVM方法相比,所提异常检测方法将常规数据流样本拆分为多个OCSVM模型,可以更紧密地包裹正常样本,检测效果较为理想,检测准确率高于99%,可以满足异常数据检测对准确性和实时性的要求。