矿井煤与瓦斯突出事故应急救援能力评估模型

为降低煤矿井下煤与瓦斯突出事故中的人员伤亡和财产损失,提高突出事故中的应急救援能力,提出一种麻雀搜索算法(SSA)优化支持向量机(SVM)的煤与瓦斯突出事故应急救援能力评估模型。首先,依据相关文献与研究报告构建包括应急预防能力、应急准备能力、应急响应能力和恢复善后能力在内的4项一级指标,其中包括18项二级指标,并以各指标的得分数据作为模型训练数据集;然后,利用网络层次分析法(ANP)与熵权法(EWM)分别确定各评估指标在相互影响下的主客观权重,通过拉格朗日函数将各权重融合得到最优权重,运用SSA算法优化SVM的径向基核参数g和惩罚因子C,将最优权重计算得出的结果作为SSA-SVM模型的输入,期望值作为输出进行线性回归预测;最后,以河北省某矿为例,将SSA-SVM模型与传统SVM、粒子群优化算法(PSO)优化SVM、鲸鱼优化算法(WOA)优化SVM 3种不同模型的预测结果分别与期望值作对比分析。结果表明:SSA-SVM模型的预测结果与实际相符,平均绝对误差相较于其他模型分别下降8.04%、5.15%、4.82%,证明所建模型的优越性,可将其应用于矿山企业实际矿井煤与瓦斯突出事故应急救援能力评估。

基于SVM概率输出与证据理论的多分类方法

单一技术无法有效解决多类分类问题。为此,提出一种基于一对多支持向量机(SVM)的基本概率分配输出方法,并与置信最大熵模型的D-S证据组合方法结合,给出基于SVM概率输出和证据理论的多分类模型。在3种UCI标准数据集上的仿真结果表明,该方法的分类精度优于传统的一对多和一对一硬输出方法,是一种有效的多类分类方法。

基于聚类权重分阶段的SVM解不平衡数据集分类

SVM在处理不平衡数据分类问题(class imbalance problem)时,其分类结果常倾向于多数类。为此,综合考虑类间不平衡和类内不平衡,提出一种基于聚类权重的分阶段支持向量机(WSVM)。预处理时,采用K均值算法得到多数类中各样本的权重。分类时,第一阶段根据权重选出多数类内各簇边界区域的与少数类数目相等的样本;第二阶段对选取的样本和少数类样本进行初始分类;第三阶段用多数类中未选取的样本对初始分类器进行优化调整,当满足停止条件时,得到最终分类器。通过对UCI数据集的大量实验表明,WSVM在少数类样本的识别率和分类器的整体性能上都优于传统分类算法。

RBFN及SVM在边坡稳定可靠度分析中的应用

基于径向基神经网络(Radial Basis Function Network,简称RBFN)及支持向量机(Support VectorMachine,简称SVM)的类似性,文章采用相同的符号体系,推导了RBFN及SVM在进行函数拟合时的表达式,指出这2种表达式形式上类似,主要区别是参数的计算方法有所不同;以RBFN及SVM的拟合结果为响应面,基于蒙特卡罗模拟法进行了边坡的可靠度分析。计算结果表明,基于RBFN的蒙特卡罗模拟法与基于SVM的蒙特卡罗模拟法具有较高的计算精度及效率,2种方法在计算精度上没有明显的区别。

基于SVM输出概率和后置滤波的运动目标分类

提出了一种新的运动目标分类方法,该方法利用sigmoid函数将标准SVM的输出结果直接转换为目标所属类别的概率,避免了分类器的组合问题;同时该方法还利用后置加权均值滤波器对SVM的初始输出结果进行滤波平滑处理,进一步提高了分类的正确率。实验结果表明,该方法能有效地提高运动目标分类的精度。

改进PSO-SVM的光纤传感网络数据识别系统

为了增强光纤传感网络对相近扰动信号的识别能力,提高目标分类精度,提出了一种改进的粒子群优化-支持向量机(PSO-SVM)算法。该算法在分析回波信号谱形特征的基础上,设计了三个用于描述信号特征的判断指标。将主波信号能量、主波脉宽及波形变化率作为数据预处理的特征参量,改进了传统的数据分类模型。实验模拟了实际应用中的三种典型干扰形式,以机械、人工以及坠落物对测试区域地面进行冲击测试,并对比了不同距离和不同强度情况下的响应效果。结果显示,6种不同情况对应的谱形特征有3种,相同作用机制的谱形相似度很高。特征参量的响应值随着测试距离的增大而减小,随着冲击强度的增大而增强。对相同测试数据进行扰动信号分析,传统SVM算法平均识别概率为69.3%,而该算法平均识别概率为90.1%。可见,该算法在提高光纤传感网络扰动信号分类能力方面具有一定的优势。

基于一类SVM概率密度估计的多分类贝叶斯算法研究

为降低训练分类器的运算复杂度,并解决支持向量机(SVM)对多类分类问题没有特别有效解决方法的问题。提出了一种基于一类支持向量机的多分类贝叶斯算法,证明了基于径向基核函数的一类SVM的分类函数归一化为密度函数,并将所得的概率密度函数用于构造二分类及多分类贝叶斯分类器。仿真实验将提出的多分类贝叶斯算法应用于多类通信信号调制识别,结果表明:该算法的分类准确率不低于传统SVM多分类器,而在多类属、每类训练样本数目较大的情况下训练所需的运算量和存储量仅是传统SVM多分类算法的0.5%,大大减小了核矩阵规模和训练时间。

基于SVM的数据融合方法在DIDS中的应用

考虑到传统SVM解决传统IDS问题的困难,建立基于带概率输出信息的SVM局部信息检测和数据融合、决策分析的分布式入侵检测DIDS模型。该模型尽可能利用局部SVM分类器的优势,充分考虑了各局部SVM的性能差别。通过KDD99数据集对该模型的测试,证明该分布式入侵检测模型可以明显地降低入侵检测的漏报率,提高检测精度。

一种基于概率盒—HGWO优化SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号在特征提取时出现的信息丢失、误动等不确定性问题以及故障诊断准确性不理想的问题,提出了一种基于概率盒理论和改进灰狼算法(grey wolf optimization,GWO)优化支持向量机(support vector machine,SVM)的混合智能机械故障诊断方法。利用直接建模的方法得到概率盒,再采用累积不确定性测量方法提取其特征,构建出用于故障诊断的特征向量集;利用改进的灰狼算法对支持向量机进行优化;利用优化后的支持向量机实现对特征集的分类诊断。所提方法充分利用了概率盒在处理不确定性问题的优势和支持向量机在解决小样本、非线性模式识别中优秀的分类性能,可对不同故障类型的振动信号进行更加精准的辨识。通过对滚动轴承振动信号的试验验证与对比试验分析表明,该方法在滚动轴承故障诊断方面具有一定的有效性。

核泄漏事故风险评估中的概率分析及预测

文章利用逻辑回归模型(logistic regression model,LRM)、线性判别模型(linear discriminant model,LDM)和支持向量机(support vector machine,SVM)3种统计模型,从核反应堆的内部和外部因素2个方面评估其在核泄漏事故中所体现的相关安全性能。针对每种模型,利用数理统计理论探究核反应堆相关影响因素与其发生核泄漏事故的概率。研究发现核反应堆外部因素有主导内部因素的趋势并在整个核泄漏事故风险中占有举足轻重的地位。文章提供的模型分析与预测结果可为核反应堆工程师及其相关决策者在核反应堆的选址、设计及建设运营等方面提供参考。

基于PAC-Bayes边界理论的SVM模型选择方法

PAC-Bayes边界理论融合了贝叶斯定理和随机分类器的结构风险最小化原理,它作为一个理论框架,能有效评价机器学习算法的泛化性能。针对支持向量机(SVM)模型选择问题,通过分析PAC-Bayes边界理论框架及其在SVM上的应用,将PAC-Bayes边界理论与基于交叉验证的网格搜索法相结合,提出一种基于PAC-Bayes边界的SVM模型选择方法(PBB-GS),实现快速优选SVM的惩罚系数和核函数参数。UCI数据集的实验结果表明该方法优选出的参数能使SVM具有较高的泛化性能,并具有简便快速、参数选择准确的优点,能有效改善SVM模型选择问题。

一种基于SVM后验概率的网络流量识别方法

为解决网络样本标注的难题,实现多种网络流量环境中的主动学习,提出一种基于支持向量机后验概率的网络流量识别方法。结合支持向量机输出和Sigmoid函数拟合样本所属类别后验概率,用其中较大的2类概率信息熵值衡量样本影响分,借助支持向量机和不确定性采样策略实现主动学习过程,形成流量识别模型。实验结果表明,该方法能取得较好的识别效果。

结合SVM后验概率的散料料位识别试验研究

提出了一种散料装车料位的图像检测方法,该方法将待处理料堆图像分为若干不重叠的子块,对各子块进行了同态滤波、二值化及二值共生矩阵纹理特征提取,并根据纹理特征对各子块进行了分类识别。在识别过程中,提出了一种基于SVM及其后验概率的料堆识别方法,建立了位于交界位置子块的SVM后验概率与其中料堆目标所占比例的关系模型,并将仅采用SVM对子块识别后的料位拟合结果与其后验概率输出相结合,在这些交界位置子块内进行了进一步的图像分割。试验结果表明,所提出的方法与仅采用SVM子块识别的料堆轮廓及料位拟合误差相比,分别减小42%和56%,平均误差分别为0.4517pixel和0.2586pixel,在MATLAB下每帧处理需0.2s。

基于SVM概率建模的硬件实现优化算法

在2种基于一对一分类策略的支持向量机(SVM)多类概率建模算法中,Pairwise Coupling概率建模算法不适合FPGA硬件实现,而投票概率建模算法分类性能较差。为此,提出一种基于Sigmoid函数的SVM概率建模的硬件实现优化算法,该算法基于合并计算及Log-add计算方法。理论分析结果表明,该算法可避免复杂的迭代计算和大量指数计算,减少运算量,并易于FPGA硬件实现。

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.

结合正态分布概率的FSVM

针对当前模糊支持向量机(FSVM)一般使用特征空间样本与类中心之间的距离构建隶属度函数的不足,提出了一种计算FSVM的隶属度的新方法。首次使用基于正态分布概率的π型隶属度函数来计算隶属度,根据正态分布的特性,在考虑数据分布规律的同时求得数据点的隶属值,使得求得的数据能够更加准确地反应数据的特点,进而获得更好的分类函数。实验表明,这种方法较SVM和FSVM相比,降低了噪声数据的影响,并且有效地提高了分类的准确率。

一种基于BPNN和SVM-PDE的旋转机械变工况预警方法

针对传统固定报警限未考虑时变工况的影响,易造成设备在高工况下虚警、低工况下漏警的问题,提出了一种基于BPNN(BP神经网络)和SVM-PDE(支持向量机概率密度估计)的旋转机械变工况故障预警方法。利用BPNN识别设备运行工况,结合信号处理方法从各工况振动数据中提取出多维特征并利用PCA(主成分分析)约简特征维度。将传统支持向量机(SVM)核函数改造为概率密度函数,将运行工况和低维特征输入SVM求解不同工况下正常样本的概率密度。以各个工况下正常样本概率密度值的边界值作为振动阈值进行故障预警。利用双转子试验台振动数据进行验证,结果表明,相较于固定阈值预警方法,基于BPNN和SVM-PDE的旋转机械变工况预警方法能有效降低漏警率和虚警率,验证了该方法的有效性。

基于幅值概率统计与SVM的柴油机失火故障诊断

为快速、准确地实现柴油机失火故障诊断,针对柴油机失火时缸盖振动信号的变化,提出基于幅值概率统计支持向量机(SVM)的柴油机失火故障诊断方法。首先对获取的柴油机缸盖振动信号按每缸工作相位进行抽区间采样,将重采样后的各缸数据进行幅值概率统计分析;其次通过各缸幅值概率密度函数值的变化分析各缸燃烧状态变化,进一步提取幅值概率密度特征参数;然后将特征参数输入SVM进行分类训练和模式识别,最终实现柴油机失火故障诊断。试验结果表明:幅值概率统计和SVM结合对柴油机失火故障诊断是可行且有效的。

基于CEEMD与VHBFO_SVM的微网短期负荷预测模型

为适应微网的建设和发展对其负荷预测效率及精度的要求,提出一种基于变概率混合细菌觅食优化算法(VHBFO)优化支持向量机(SVM)的微网短期负荷预测模型。首先利用CEEMD将非平稳的负荷序列按照不同波动尺度逐级进行分解,从而得到多组固有模态函数分量均值,并建立VHBFO_SVM模型对各组分量分别进行预测,最后通过叠加各组分量的预测结果得到预测值。以国内某微网示范工程项目为例,将VHBFO_SVM用于微网短期负荷预测。实例仿真结果表明,所提出的VHBFO_SVM预测模型优于SVM预测模型,更适用于当前微网短期负荷预测需要。

基于支持向量机的概率积分法参数计算方法

为准确确定概率积分法参数值,在综合分析影响概率积分法参数的地质采矿因素的基础上,建立了基于支持向量机的概率积分法参数计算模型。以43个典型岩移观测站的实测数据作为训练和测试样本,以十折交叉验证的方法选取支持向量机参数,采用MSE、MAPE和WIA准则评定模型的精度和预测能力。应用该模型计算4个测试样本的概率积分法参数,所有计算结果误差均小于3倍中误差,最大相对误差为9.6%,表明所建立的概率积分法参数模型计算结果准确可靠。