基于深度学习与有向无环图SVM的局部调整年龄估计

为了进一步提高年龄估计的精度,提出一种基于深度学习与有向无环图SVM的局部调整年龄估计算法。在训练阶段,将经过VGGFace2数据集预训练的SE-ResNet-50网络进行微调,待到收敛时提取出全连接层,将其首尾相连形成的向量作为表征并训练出多个One-Versus-One SVM。在测试阶段,将待估计人脸图像送入SE-ResNet-50以得到一个较为粗略的年龄估计值;设定具体邻域;将训练而成的SVM组合为一个有向无环图SVM并以全局估计值为中心进行精准的年龄估计。为了表明算法的普适性,在不同种族的MORPH和AFAD图像集中进行实验,结果验证了算法的有效性。

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.

基于节点选择优化的DAG-SVM多类别分类

有向无环图支持向量机(DAG-SVM)对于N类别分类问题,会构造N×(N-1)/2个支持向量机分类器(为每2个类构造一个支持向量机),DAG-SVM可能出现由于节点选择不佳而导致整个分类器分类结果较差的情况。为此,提出一种改进的DAG-SVM。通过为每一层建立备选节点集合进行节点选择,选取下层备选节点集合中训练分类精度最高的一个节点组合作为当前层节点的下层节点,从而优化DAG-SVM的拓扑结构。实验结果表明,与已有的DAG-SVM,1-vs-1SVM,1-vs-a SVM方法相比,该方法的分类精度较高。

利用选择性DAG-SVM集成在线检测与诊断多变量过程均值异常

针对多变量过程均值异常,提出了选择性有向无环图支持向量机(DAG-SVM)集成,以之为模式识别工具对过程状态进行识别,以探测异常和判别异常源。集成结合Bagging方法的重复采样技术和对DAG-SVM结构的调整,对数据和模型进行双重扰动,以获得差异的候选个体;再通过二进制粒子群优化(BPSO)算法得到最优集成方案。离线仿真测试证明所提选择性DAG-SVM集成具有分类正确率和效率的双重优势;在线仿真测试表明基于选择性DAG-SVM集成的模型探测过程均值阶跃异常优于χ2图和BPN(误差反传神经网络)模型,且判别异常源比BPN模型更准确。针对实际齿轮加工过程数据的应用验证进一步证实了模型的有效性和实用性。

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%.

基于改进RADAG-SVM的电力变压器故障诊断

为提高变压器故障诊断的正确率,提出一种基于改进重排序自适应有向无环图(reordering adaptive directed acyclic graph,RADAG)支持向量机(support vector machines,SVM)的电力变压器故障诊断方法.该方法首先利用基于K折交叉验证和人工蜂群算法优化SVM的核函数和惩罚因子参数,使二分类SVM获得最佳的分类性能;其次,为进一步提高多分类SVM的性能,提出利用交叉确认机制估计每个二分类SVM的泛化能力的方法,并将其用于改进RADAGSVM的分类精度.最后,给出基于改进RADAG-SVM的变压器故障诊断流程并进行实例分析.结果表明,所提方法、原始RADAG-SVM和基于结点优化的DDAG-SVM方法对变压器故障诊断的平均正确率分别为94.16%,87.85%和90.77%.因而,与其他2种诊断方法相比,所提方法具有较好的故障诊断效果.

基于粗糙集和优化DAG-SVM的船舶主机故障诊断方法

[目的]船舶主机各子系统之间是复杂的非线性关系,对于监测点在短时间内采集的大量数据,传统的故障诊断方法难以高效地完成任务。以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图-支持向量机(DAG-SVM)的故障诊断方法。[方法]首先,将数据挖掘中的粗糙集理论引入传统的支持向量机(SVM)诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免"误差累积";最后,基于某超大型油轮模拟器,开展数值实验分析。[结果]实验结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方法提高了3.38%,而时间消耗也降低了2.42 s。[结论]该诊断方法对船舶主机的故障诊断研究具有一定的参考价值,也可为SVM在其他小样本分类中的应用提供数据支撑。

基于结构优化的DDAG-SVM上肢康复训练动作识别方法

针对上肢康复训练系统中训练评估方法核心的动作识别问题,提出一种面向Brunnstrom 4~5期患者上肢康复训练动作的SODDAG-SVM(Structure-optimized decision directed acyclic graph-support vector machine)多分类识别方法.首先将多分类问题分解成一组二分类问题,并使用支持向量机构建各二分类器,分别采用遗传算法和特征子集区分度准则对各二分类器的核函数参数及特征子集进行优化.然后使用类对的SVM二分类器泛化误差来衡量每个类对的易被分离程度,并由其建立类对泛化误差上三角矩阵.最后由根节点开始,依次根据各节点的泛化误差矩阵,通过选择其中最易被分离类对的SVM分类器构成该节点的方式,来构建SODDAG-SVM多分类器结构.当待预测的实例较少时,直接构建实例经过的SODDAG-SVM部分结构并对实例进行预测;当待预测的实例较多时,先构建完整的SODDAG-SVM结构,再代入所有实例进行预测.通过人体传感技术获得Brunnstrom 4~5阶段上肢康复训练的常用动作样本集,进行SODDAG-SVM动作识别实验,准确率达到了95.49%,结果均优于常规的决策有向无环图(Decision directed acyceic graph,DDAG)和MaxWins方法,实验表明本文方法能有效地提高上肢康复训练动作识别的准确率.

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.

多类支撑向量机在中医舌质、舌苔分类和识别的应用研究

在分解法进行多类支撑向量机的训练中,所有的两类问题训练都采用一种核函数是不合适的。本文在一对一(OAO, one against one)训练算法中优先选择线性核函数,并将训练结果用有向无回路图 DAG(Directed AcyclicGraph)的方法进行中医舌质、舌苔识别。结果表明,该方法可以获得超过 85%的正确识别率,识别速度也比较快。

基于复杂网络特性的带钢表面缺陷识别

针对带钢表面缺陷识别问题,提出一种基于动态演化复杂网络特性的特征描述方法,这些特征同时具有位移、旋转不变性、大小不变性、较强的抗干扰能力和鲁棒性,为缺陷识别提供良好的分类特征;为了提高分类器的效率,应用主成分分析法(Principal component analysis,PCA)对复杂网络特征向量进行特征降维处理;采用最优有向无环图支持向量机(Directed acyclic graph support vector machine,DAG-SVM)算法进行缺陷分类.结果表明该方法识别率高而且识别速度快.

基于有向无环图支持向量机的水轮发电机组故障诊断模型

提高水轮机组的状态监测与故障诊断系统的准确性和及时性,对电力系统的安全运行具有重大意义。针对神经网络收敛速度慢、容易陷入局部最优解等不足,提出了一种基于有向无环图支持向量机方法的水轮发电机组故障诊断方法。该方法能有效解决小样本、高维数、非线性等问题,从而能在较短的时间内准确地诊断故障。

改进的DAGSVM手势识别方法

在现有支持向量机多分类方法基础上,提出了一种改进的有向无环图支持向量机(DAGSVM)手势识别方法.分析了传统有向无环图支持向量机分类器生成顺序随机化的不足,引入类间距离和类的标准差作为生成分类器的测度.利用Kinect获取场景深度信息得到手势图像,提取手势特征并训练SVM分类器,并采用改进后的方法得到DAGSVM分类器.实验证明:与其他支持向量机多分类器相比,改进后的DAGSVM分类器能够达到更高的识别率,将这个手势识别方法用于智能轮椅的控制上,取得了良好的效果.

有向无环图决策支持向量机和经验模式分解在轴承故障诊断中的应用

当旋转机械发生故障时,其振动信号常常表现出较为复杂的调制形式,经验模式分解能根据信号的真实物理意义完成自适应分解。支持向量机由于其出色的学习性能和良好的推广能力,使其在包括故障诊断在内的众多领域得到较为广泛的应用。利用经验模式分解结果提取频带能量特征向量,采用有向无环图决策支持向量机实现对轴承状态的判别,并基于留一法优化支持向量机的模型参数。最终的应用结果表明,基于EMD和有向无环图决策支持向量机方法可以有效实现对轴承的状态判别。