类间距节点优化DDAG-SVM算法在多故障诊断中的应用

针对决策导向无环图支持向量机(DDAG-SVM)方法根节点的选择会影响分类结果的不同及影响故障诊断的准确性的问题,文中将DDAG-SVM多分类方法中的节点进行优化,得到了一种通过计算类间距确定分类树根节点的改进算法.实验结果表明:类间距节点优化的DDAG-SVM方法较传统DDAG-SVM分类方法准确率提高了4%,且分类效率提高了26.1%.

DDAG双支持向量机在ERT系统流型识别中的应用研究

两相流体具有复杂的流动特性,流型的准确识别是两相流参数准确测量的基础。针对电阻层析成像(ERT)系统和油/水两相流的流型,先用小波包分析提取ERT系统测量的压差波动信号的特征,然后将特征数据输入构造好的DDAG双支持向量机多类分模型进行识别。仿真实验结果对比证明,DDAG双支持向量机是一种兼顾效率和准确性的流型识别方法。

基于结点优化的决策导向无环图支持向量机及其在故障诊断中的应用

支持向量机(Support vector machine,SVM)是利用离在线数据自动建立故障诊断模型的智能方法,它在多故障诊断时,必须先进行多分类扩展.决策导向无环图(Decision directed acyclic graph,DDAG)法是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,而其结点的排部却是主观的,影响了诊断的正确率.本文提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在变压器故障诊断中获得良好效果.

基于SVM多类分类算法的模拟电路软故障诊断

给出了基于支持向量机(SVM)1-v-1和决策导向无环图(decision directed acyclic graph,DDAG)多类分类算法的模拟电路软故障诊断新方法.DDAG是在1-v-1算法基础上构建的新的学习架构,在对多个SVM子分类器进行组合的过程中,引入了图论中有向无环图的思想.比较了采用不同核函数时支持向量机的分类结果.实验结果表明采用DDAG支持向量机(DAGSVM))多类分类算法时,诊断准确率为99%.因此,DAGSVM算法具有较高的诊断准确率.

视频监控系统中小运动目标分类算法

给出了视频监控中的一个小目标分类算法.首先,利用最大互信息获得一组可靠、独立且具辨认力的目标特征集.然后,用有向无环图的多类支持向量机进行分类.分类器的训练分为两步,首先使用场景无关的特征量训练得到基准分类器;然后再利用与场景相关和无关的特征量,进一步训练分类器,以便提高分类器的精度.实验结果证明该算法不仅能满足一定的分类精度,而且对新场景具有很好的适应能力.

基于DDAG-SVM的网络流量分类技术

互联网技术不断发展,很多新的网络通信采用动态端口、协议加密等技术,使传统的流量分类技术不再适用.以TCP三次握手后客户端到服务器的第1个包载荷大小、服务器到客户端的第1个包和第2个包载荷大小以及服务器端口信息作为流量特征,提出一种基于DDAG-SVM的网络流量分类的方法,并针对传统DDAG-SVM的误差累积效应,使分类性能变差的问题,根据类间可分离度重构DDAG-SVM决策树,每次都选择最容易分开的两个流类别构成分类决策面,测试结果表明该方法取得了较高的分类准确率.