基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。

基于GA-SVM算法的无线局域网络入侵信号检测方法

常规的无线局域网络入侵信号检测节点多为独立式设定,检测效率较低,导致入侵信号检测误检率较高,为此提出对基于GA-SVM算法的无线局域网络入侵信号检测方法。该方法首先采用关联的方式进行入侵信号特征提取,提升检测效率,设置关联性检测节点,构建GA-SVM测算入侵信号检测模型,采用定位分离方法来实现信号检测处理。测试结果表明:针对选定的300个采样点进行信号入侵检测,对比于传统分布式光纤网络入侵信号检测组、传统FastICA测算网络入侵信号检测组,此次所设计的GA-SVM测算网络入侵信号检测组最终得出的入侵信号检测误检率被较好地控制在20%以下,说明基于GA-SVM算法的检测效果更佳,针对性更强,具有实际的应用价值。

基于优化SVM模型的立铣刀在机崩刃监测技术研究

随着加工精度要求不断提高,切削过程中,对刀具在机磨损或崩刃状态进行在机实时监测的需求日益增加。本文以声发射和主轴功率为监测信号,通过提取时域、频域和时频域的有效特征,构建了基于融合信号的平底立铣刀在机崩刃SVM监测模型;采用网格搜索、粒子群和遗传算法优化SVM模型参数,并在实际切削环境中,将平底立铣刀的崩刃监测效果进行对比。结果表明:基于遗传算法优化的SVM模型对铣刀崩刃状态监测效果最佳。

EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明:EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。

采用改进遗传算法优化LS-SVM逆系统的外转子无铁心无轴承永磁同步发电机解耦控制

为了实现外转子无铁心无轴承永磁同步发电机(outer rotor coreless bearingless permanent magnet synchronous generator,ORC-BPMSG)的精确控制,提出一种基于改进遗传算法(improved genetic algorithm,IGA)优化最小二乘支持向量机(least square support vector machine,LS-SVM)逆系统的解耦控制策略。首先,基于ORC-BPMSG的结构及工作原理,推导其数学模型,并分析其可逆性。其次,建立LS-SVM回归方程,并采用IGA优化LS-SVM的性能参数,从而训练得到逆系统。然后,将逆系统与原系统串接,形成伪线性系统,实现了ORC-BPMSG的线性化和解耦。最后,将提出的控制方法与传统LS-SVM逆系统控制方法进行对比仿真和实验。仿真和实验结果表明:所提出的控制策略可以较好地实现ORC-BPMSG输出电压和悬浮力、以及悬浮力之间的解耦控制。

基于RF-SFLA-SVM的装配式建筑高空作业工人不安全行为预警

为有效预警装配式建筑高空作业工人不安全行为的发生趋势或状态,增强对装配式建筑工人不安全行为(PBWUBs)的管控,采用随机森林(RF)-混合蛙跳算法(SFLA)-支持向量机(SVM)模型,开展工人不安全行为预警研究。首先,采用SHEL模型分析处于高空作业危险中的PBWUBs的影响因素,并通过RF确定关键预警指标;然后,采用SFLA对SVM的参数进行寻优改进;最后,利用RF-SFLA-SVM预警高空作业PBWUBs,提出应对措施,并与其他预警模型对比。研究结果表明:基于RF-SFLA-SVM预警高空作业PBWUBs,准确率最高,为91.67%,与其他模型的预警性能相比,最高提升14%。研究结果可为高空作业PBWUBs的防控提供参考。

基于HOG和TSO-SVM的水电机组轴心轨迹智能识别

水电机组的轴心轨迹能够反映机组不同的运行状态,为了提高轴心轨迹的识别率,准确判断机组运行状态,本文提出方向梯度直方图(Histogram of Oriented Gradient, HOG)结合由瞬态搜索优化(Transient Search Optimization, TSO)算法优化的支持向量机(Support Vector Machine, SVM)的方法。将轴心轨迹信号经改进小波阈值方法去噪后,生成轴心轨迹图像,之后提取图像HOG特征,经主成分分析(Principal Components Analysis, PCA)降维处理后,利用TSO-SVM对降维后的特征进行分类识别。结果表明所提方法能够很好地识别不同状态的轴心轨迹,具有识别准确率高和识别速度快的特点。

基于PSO-SVM的Φ-OTDR系统模式识别研究

针对相位敏感光时域反射仪(phase sensitive optical time domain reflectometer,Φ-OTDR)系统中误报率高的问题,提出一种多域特征提取与粒子群算法优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)相结合的模式识别算法。首先,对原始信号进行差分处理后提取时域特征,并利用小波包分解方法,通过验证不同分解层数下的事件分类准确率,设定最优分解层数为6层,提取差分信号的能量特征。然后以SVM分类器为基础,利用PSO算法优化SVM分类器参数,提高光纤振动信号识别准确率。最后利用Φ-OTDR事件数据集进行验证,实验结果表明,该模式识别算法达到了95.6%的振动事件分类准确率。

基于TSA-SVM的老人跌倒识别算法

针对老人跌倒检测易受环境影响以及检测不够精确易出现误判的问题,提出了一种基于人体动作传感器的老人跌倒识别检测算法,采用被囊群算法(TSA)优化支持向量机(SVM)模型进行跌倒识别.针对人体动作传感器采集的数据,首先进行特征提取、降维等预处理,然后将预处理后的数据输入SVM模型进行训练,同时利用TSA算法寻找SVM最优参数,得到最优的跌倒识别模型,利用该模型即可进行跌倒识别.实验结果表明,本文所提算法的跌倒识别检测正确率可达96%以上,具有一定的优越性.

基于CEEMDAN-VMD融合特征和SO-SVM的风机轴承故障诊断

由于风机轴承易发生故障且振动信号分析对于故障诊断极其有效,提出了基于自适应噪声完备集合经验模态分解(Complete Ensemble EmpiricalMode Decomposition with Adaptive Noise,CEEMDAN)和变分模态分解(Variational Modal Decomposition,VMD)相结合的信号处理方法。首先,使用CEEMDAN将采集到的振动信号分解成若干本征模态函数(Intrinsic Mode Function,IMF)分量,并使用能量加权合成峭度指标筛选故障特征明显的IMF分量,进行信号重构;之后,利用VMD将新的信号进行再分解,将VMD分解后每个IMF的能量比与基于包络熵和包络谱峭度组合的复合指标筛选出的最优IMF分量构建能量熵、样本熵、近似熵进行特征融合;最后,将融合特征矩阵输入到蛇优化算法(SO)优化支持向量机(SVM)进行识别和分类,实现多故障模式识别。通过仿真实验表明:此方法对于检测轴承十种劣化状态,诊断正确率达到98%。为风机轴承故障诊断提供了一种新的思路。

基于优化SVM算法的基坑监测数据分析

以某隧道工程基坑为例,给出了30日基坑支护结构26个监测点的竖向位移与水平位移以及64个道路表面点竖向位移的监测数据。在支持向量机(SVM)算法基础上,利用人工鱼群算法进行全局参数寻优,建立数据预报的优化SVM算法。通过实测监测数据的预报分析与比较,评估了优化算法的预报精度。结果表明:优化算法对3种类型监测数据的预报精度改进率分别达36.7%,37.8%和42.2%。

基于GWO-SVM算法的油气井产能预测模型研究

油气井产能对于油藏完井方式选择及相关作业起着决定性作用,是油气藏开发的关键指标之一。当前基于机器学习算法的油气井产能预测过程中预测结果受样本数据影响明显。针对支持向量机方法和灰狼算法在处理小数据样本时的特征及优势,将支持向量机与灰狼算法相结合,形成了灰狼算法—支持向量机算法(GWO-SVM算法)。利用某油田数据实际井数据对优化前后的算法及当前常用的机器学习算法进行对比测试,结果表明,优化后的GWO-SVM算法在计算速度和计算精度上表现出了明显优势,能更准确地确定油气井产能。研究结果对油气井产能预测具有一定指导意义。

基于SSA-BP-SVM模型的云龙湖水质反演研究

利用遥感技术进行水质监测,全面地掌握水质分布情况对水环境保护具有重要意义.水质参数与地表反射率并非简单的线性关系,BP神经网络和支持向量机(SVM),因其非线性模拟的特点,被广泛应用于水质反演.传统BP神经网络存在收敛缓慢、容易陷入局部最优的问题;SVM虽然具有很好的拟合能力,但受惩罚系数及核函数参数影响较大.以云龙湖为研究区域,利用Sentinel-2影像和实测数据,针对重要水质参数电导率和浊度,提出一种基于麻雀搜索算法(SSA)优化BP神经网络及SVM的水质反演耦合模型,利用SSA对BP神经网络及SVM进行参数寻优,基于验证集MAE计算模型权重,对SSA-BP、SSA-SVM模型测试组输出层加权计算后获得最终反演结果.与BPNN、SVM、SSA-BP、SSA-SVM模型对比,结果表明:(1)Sentinel-2影像对电导率及浊度的敏感波段均为可见光及短波红外波段;(2)SSA-BP-SVM水质反演耦合模型精度更高,电导率及浊度反演模型R 2分别为0.92、0.89;(3)云龙湖具有典型的城市水体特征,电导率受上游南望净水厂排水影响较大,浊度受社会生产活动带来的颗粒污染物影响较大.基于Sentinel-2影像利用SSA-BP-SVM模型进行水质反演具有较好的应用潜力,能够为云龙湖水质监测以及制定保护措施提供一定的技术支撑.

基于SVM算法的区域农田灌溉短期用水量预测方法

运用常规方法对区域农田灌溉短期用水量预测时易出现预测数据误差大、预测过程复杂等问题。本文以黄河流域某市东南方向的农田为研究对象,设计了基于SVM算法的区域农田灌溉短期用水量预测方法。基于SVM算法选择用水量特征,选取一对一的构造方法将农田灌溉短期用水量数据分为两个类别。通过SVM算法中支持向量机分类功能获取农田灌溉短期用水量特征子集,并在此基础上根据特征子集运用预测模型进行用水量预测。因为用水量序列波动性较强,所以将GM(1,N)模型与机器学习算法LSSVR模型相结合来进行用水量预测,并确定模型评价指标。结果表明,基于SVM算法的区域农田灌溉短期用水量预测方法误差在允许范围内,且在农业中具有可使用性。

基于ISSA-SVM的煤矿变压器故障诊断方法研究

为有效提高煤矿变压器故障诊断精度,通过分析变压器油中溶解气体与故障类型的联系,提出基于ISSA-SVM的煤矿变压器故障诊断新方法。采用核主成分分析(KPCA)对煤矿变压器数据进行特征提取;采用Logistic混沌映射和高斯柯西-变异算子对传统麻雀算法(SSA)进行改进,基准测试函数实验结果表明ISSA寻优能力和收敛速度均有较大提高。通过ISSA优化SVM的参数建立煤矿变压器故障诊断方法模型,实验结果表明:ISSA-SVM、PSO-SVM、SSA-SVM诊断精度分别为94.91%、80.84、86.33%,ISSA-SVM有效提高煤矿变压器的诊断精度。

基于ISSA-SVM的钻井卡钻事故预测

为预防钻井过程中卡钻事故的发生,通过提出了一种改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machines,SVM)的预测模型方法(ISSA-SVM),在发现者位置更新公式中引入一种改进的自适应非线性惯性递减权重;在警戒者位置更新公式中引入莱维飞行策略。利用主成分分析法(principal component analysis,PCA)对外国某大型油田的实测钻井数据进行降维处理,并利用惩罚参数和核参数进行卡钻事故的预测。实验结果表明:ISSA-SVM的预测准确率高达85.1852%,且收敛速度更快,可见ISSA-SVM可有效预测钻井卡钻事故。

VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)结合小波包信息熵(Wavelet Packet Information Entropy,WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization,GJO)算法优化后的支持向量机(Support Vector Machine,SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function,IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其特征提取更加优越;将金豺算法优化支持向量机(GJO-SVM)与粒子群优化(Porticle Swarm OPtimization,PSO)算法支持向量机(PSO-SVM)、果蝇优化算法(Fruit fly Optimation Algorithm,FOA)支持向量机(FOA-SVM)进行对比试验,试验结果表明,GJO-SVM其平均准确率达到99.16%,较PSO-SVM、FOA-SVM分别提高了2.5%、3.61%。金豺算法优化支持向量机(GJO-SVM)可以更加有效提取并诊断滚动轴承故障。

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度,提出一种采用遗传模拟退火算法混合优化支持向量机(SVM)参数的瓦斯含量预测模型(GRA-GASA-SVM模型)。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数,以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析(GRA)压缩数据集维度,建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明:SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型,GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断,提出了一种基于小波包信息熵和蛇优化算法(SO)优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号,构建小波包的能谱熵和系数熵,将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别,输出诊断结果。通过仿真实验表明,此方法对五组不同的样本诊断准确率达到99.17%~100%,且相比于果蝇算法优化支持向量机(FOA-SVM)和粒子群算法优化支持向量机(PSO-SVM)具有更高的故障识别分类效果。