基于LIB-SVM的电子设备故障预测方法研究

为及时了解电子设备的运行状态,实现电子设备未来某时刻故障预测,将"事后维修"转变为"事前预防",在统计学习理论(SLT)的基础上,采用LIB-SVM支持向量回归方法,对小样本、非线性条件下的数据进行拟合,并根据自动测试设备(ATE)测得的实际数据及专家经验,对该方法进行了验证;经实验证明,该方法是可行的、有效的,对电子设备的故障预测具有较高的准确度。

基于LIB-SVM的项目文本自动分类系统研究

SVM是一种基于统计学习理论的新型机器学习方法,在文本分类领域能够取得很好的效果。对科研项目实施过程中生成的文本进行准确分类,有助于科研项目的科学管理与监督。本文利用LIB-SVM设计并实现了一个科研项目文本自动分类系统,实验结果表明,该系统能够对项目文本准确分类,方法实用有效。

基于灰色神经网络和支持向量机的两相流流型辨识

两相流流型直接影响两相流的流动特性和传热传质性能。利用小波分析对气液两相流压降实验数据进行处理,提取不同频率的小波系数。以小波能量为特征,输入BP神经网络进行训练,进行流型的初步辨识。将灰色神经网络模型应用于气液两相流的辨识,同时创立将压差波动数据和小波能量数据输入Lib-SVM机分类器的方法,分别对流型进行辨识。结果显示,这三种方法均可进行流型的辨识,小波能量支持向量机的判别结果比灰色神经网络和BP神经网络的判别结果准确。支持向量机对压差信号直接进行流型辨识时准确率达到95.2%。

基于激光诱导击穿光谱技术的岩石表面指纹图谱分析及分类方法

岩石岩性识别在油气田探测开发、研究地球成因及演化发展、地质灾害分析预测等众多方面起着不可替代的导向作用,因此岩石的识别分类对于地质勘探分析来说至关重要。为了提高岩石的分类准确率,提出了一种基于激光诱导击穿光谱技术(LIBS)的岩石表面指纹图谱分析及分类方法。通过LIBS对岩石表面不同位置进行激发,获取原始光谱数据。对收集到的光谱数据进行去除异常点、归一化等预处理操作,根据岩石矿物成分确定五种含量差异较大元素(硅、铝、钾、钠、镁)的特征谱线并得到元素指纹图谱。然后选择支持向量机(SVM)作为分类器进行分类,分别建立利用光谱均值的分类模型和多维指纹图谱融合的分类模型,并对两种分类结果进行比较。利用光谱均值的分类模型准确率为59.4%,多维指纹图谱融合的模型分类准确率为96.5%。实验结果表明,元素指纹图谱展示了岩石表面元素分布,可以充分利用不同种类岩石本身的不均匀性结构信息,极大地提高了岩石的分类准确率。

机器学习结合激光诱导击穿光谱技术铁矿石分类方法

铁矿石是非常重要的矿产资源,它的开发利用对钢铁产业的发展有很大的影响,铁矿石的选检与分类是冶金行业必不可少的环节,不同种类的铁矿石及其品质会直接影响与其他物质的配比,因此对铁矿石的选检分类研究在冶金行业具有重要意义。激光诱导击穿光谱技术(LIBS)是近年来发展起来的一项成分检测技术,具有无损、快速、原位在线检测等优点,在化学成分检测及样品分类领域有一定的优势。为了提高铁矿石的分类精度,提出将激光诱导击穿光谱技术与机器学习相结合对赤铁矿、褐铁矿、菱铁矿、云母赤铁矿、磁铁矿、磁赤铁矿、鲕状赤铁矿、黄铁矿、钴磁铁矿、磁黄铁矿等10种天然铁矿石进行分类研究。在研究中,首先通过激光诱导击穿光谱技术烧蚀10种天然铁矿石样品获得其对应的光谱数据;然后通过设定阈值的方法选定最大光谱强度对应的10个光谱特征;最后通过KNN、RF、SVM机器学习模型对选定的特征光谱进行分类训练及测试。结果表明:KNN、RF、SVM三种机器学习模型的分类准确度分别为83.0%、80.7%、90.3%。从分类准确度可以看出,激光诱导击穿光谱技术与机器学习相结合可以实现对铁矿石的快速、精确分类,这将为冶金行业的铁矿石选检分类提供一种全新的方法。

基于LIB-SVM的公路软基沉降的预测研究

由于地基实际工后沉降与初始设计沉降往往存在很大差异,因此,需要通过分析现场实测沉降资料预测后期沉降。为了进一步提高公路软基沉降预测的准确性,将LIB-SVM模型应用于地基沉降,LIB-SVM通过交叉验证选取的最优参数组合克服了传统SVM模型参数选择的盲目性。根据实例,将LIB-SVM模型预测值和指数模型预测值与现场量测值进行了对照。结果表明,LIB-SVM模型比指数模型有较高的预测精度,该方法在沉降的实际预测中具有可行性。

Lib SVM在彩色图像分类中的应用

文章提取彩色图像的3种特征,采用支持向量机的具体实现Lib SVM工具包,对彩色图像进行多种分类,在此基础上分析分类结果,找出影响分类结果的主要因素,从而提高分类准确度。

Laser-induced breakdown spectroscopy applied to the characterization of rock by support vector machine combined with principal component analysis

Laser-induced breakdown spectroscopy（LIBS） is a versatile tool for both qualitative and quantitative analysis.In this paper,LIBS combined with principal component analysis（PCA） and support vector machine（SVM） is applied to rock analysis.Fourteen emission lines including Fe,Mg,Ca,Al,Si,and Ti are selected as analysis lines.A good accuracy（91.38% for the real rock） is achieved by using SVM to analyze the spectroscopic peak area data which are processed by PCA.It can not only reduce the noise and dimensionality which contributes to improving the efficiency of the program,but also solve the problem of linear inseparability by combining PCA and SVM.By this method,the ability of LIBS to classify rock is validated.

基于SVM极点分类的故障诊断与可靠控制

利用SVM分类技术,针对系统故障极点进行分类,利用网格搜寻法,实现对不同故障极点的分类进而实现对系统故障的检测和诊断,为了实现对系统极点变化的实时监测,给出了通过系统状态估计系统极点的新方法.在给出故障诊断的基础上,同时给出了针对相应故障的可靠控制器的设计.最后通过数例验证极点观测器对极点估计的准确性和故障诊断的准确性及可靠控制的有效性.