基于SVM的含缺陷20钢弯管爆破压力预测

为快速、精确预测含局部减薄缺陷的弯管爆破压力,首先验证显式非线性有限元模型的模拟精确性,然后以168组不同缺陷尺寸下20钢弯管爆破压力的有限元模拟数据作为学习样本,建立含局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;其次利用交叉验证(CV)、遗传算法(GA)、粒子群算法(PSO)分别优化SVM模型;最后分析对比用于预测弯管爆破压力的3种优化SVM模型与ASME B31G-2009、DNV RP-F101、SHELL 92等3种通用规范的计算误差。结果表明:CV-SVM、GA-SVM、PSO-SVM等3种模型的预测误差均小于3种规范的计算误差,其最大相对误差分别为-2.33%、-3.4%和1.94%;说明SVM模型用于预测弯管爆破压力时操作简单、计算时间短、预测精度高、工程实用性好。

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BO-SVM算法的钢板混凝土墙高速冲击损伤模式预测模型

钢板混凝土墙(SC墙)在冲击作用下的局部损伤估计是在结构设计初始阶段需要重点考虑的任务之一。在面临导弹冲击荷载时,工程中常采用经验公式去判断其是否造成贯穿,但这些公式大多基于经验得来,其计算结果往往偏于保守。为快速、准确地获得导弹冲击下SC墙的局部损伤模式,利用贝叶斯优化(BO)的支持向量机(SVM)算法和SMOTE算法,将SC墙的局部损伤模式分为侵入、凸起、贯穿3类进行预测,应用Python语言建立基于BO-SVM的SC墙局部损伤预测模型,并与未贝叶斯优化下的SVM(有和没有过采样)模型、KNN模型、RF模型进行对比,研究了提出模型的预测能力。研究结果表明,提出的BO-SVM模型可以很好地预测SC墙的局部损伤模式,且预测速度快,精度高,为SC结构抗冲击设计提供了新的解决方案。

基于LOF+SVM的异常用电用户分阶段识别方法

准确的电力异常用户识别方法能为供电企业锁定存在窃电行为或其他违规行为的电力用户提供参考。大多数基于机器学习的异常识别模型采用了无监督算法,但模型的准确度还较低。针对上述问题,提出一种结合无监督的局部离群因子(LOF)算法与有监督的支持向量机(SVM)算法的两阶段异常用电用户识别方法。基于分析异常电能表区别于正常电能表的电流电压表现,构建异常识别模型的输入特征;采用无监督的LOF算法进行采样,筛选出可疑样本交给人工进行标记,然后利用标记样本训练有监督的SVM模型;在之后的检测工作中,直接将LOF算法筛选出可疑样本交给SVM模型进行识别。实例结果表明,该方法对电力异常用户的识别准确度高,对供电企业的窃电稽查工作具有指导意义。

基于局部SVM分类器的表情识别方法(英文)

提出了一种新的视频人脸表情识别方法.该方法将识别过程分成人脸表情特征提取和分类2个部分,首先采用基于点跟踪的活动形状模型(ASM)从视频人脸中提取人脸表情几何特征;然后,采用一种新的局部支撑向量机分类器对表情进行分类.在Cohn-Kanade数据库上对KNN、SVM、KNN-SVM和LSVM 4种分类器的比较实验结果验证了所提出方法的有效性.

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。

局部加权的LS-SVM大气数据组合导航故障检测

针对飞机惯性导航设备发生故障,原容错系统失效,而且一般最小二乘支持向量机(LSSVM)检测算法不能有效处理局部预测的问题,提出一种基于局部加权LS-SVM故障检测法。对LS-SVM进行局部加权处理,用局部加权LS-SVM回归预测滤波器新息,并重构检验统计量,结合ADS/GNSS组合系统进行仿真验证。仿真结果表明:在全局容错系统失效情况下,基于局部加权LS-SVM故障检测法具有良好的预测效果,减少了故障检测时间,降低了虚警率。

基于SVM分类区域的传感器网络节点自定位算法

针对无线传感器网络(WSN)低成本、低功耗的要求,提出了一种基于支持向量机(SVM)分类区域的距离无关的定位算法,首先SVM通过对训练数据的学习构造一个二叉决策树分类器,然后该分类器将未知节点的位置确定在某一分类区域中,最后取这一区域的中心作为节点的估计位置。该算法仅仅需要网络连通性信息(即跳数),降低了网络成本和通信负荷。仿真表明该算法在保证一定的定位精度下,有效减轻了覆盖漏洞和边缘问题。

使用基于SVM的局部潜在语义索引进行文本分类

潜在语义索引(LSI)通过奇异值分解(SVD)获得原始词—文档矩阵的潜在语义结构,在一定程度上解决了一词多义和多词一义问题。但目前文本分类中使用LSI方法的效果并不理想,这是因为没有充分考虑分类信息。为解决该问题,提出一种改进的局部潜在语义索引(LLSI)方法,使用支持向量机(SVM)来产生局部区域。实验结果表明,该方法是有效的。

基于纹理提取和SVM技术的自动木材缺陷识别

支持向量机(SVM)是一种新的模式识别方法,有较好的泛化能力和推广能力。研究了基于纹理提取和支持向量机的自动木材表面缺陷的识别问题,借助LBP纹理特征提取技术实现对木材图像数据降维处理,并研究了木材表面不同类型缺陷的分布规律。利用支持向量机分类算法对木材表面有无缺陷进行了快速准确的自动识别,实现了木材表面缺陷的自动定位。多次交叉实验表明,SVM分类算法对木材表面缺陷具有较好的识别能力,识别率可达96%以上。

基于局域波法和SVM模型的往复机械故障预测方法研究

针对往复机械系统工况的动态特性,提出了一种基于非平稳振动信号局域波分析和支持向量机(SVM)的故障预测方法。对于往复机械的振动监测信号,利用局域波法获得其中所包含的特征信息,以此作为预测模型的数据源;采用SVM作为预测手段,将局域波时频谱中所包含的局域波分量特征信息作为预测控制模型的输入量。该方法应用于工程实践中,有效地提高了预测精度,并为设备的工况和剩余寿命定位提供了依据。

SVM多分类器协同挖掘局域气象数据

为有效应对频发的局域气象灾害,急需深入研究局域环境下降雨量的气象数据挖掘技术,以提高降雨预测的准确率。提出了一个基于支持向量机的多组合器协同分析方法,构建了一个多组合器协同分析模型,通过用气象数据的实证性分析与实验,实验结果表明:该多组合器协同分析模型具有较高的预测准确性和分类稳定性。

基于SVM的局部潜在语义分析算法研究

针对现有的Web文本分类与表示方法中出现的各种分类效果与性能优化等问题,基于局部潜在语义分析的理论原理,利用支持向量机分类优势,设计出一种基于文档与类别之间相关度的生成局部区域的算法,即S-LLSA。该算法在语义分析使用矩阵的奇异值分解过程中引入不同类别信息,分析特征词的局部特征,使用支持向量机分类器计算文本对类别的相关度参数,并应用于局部区域生成过程。通过实验表明,S-LLSA算法有效解决了局部区域如何进行局部奇异值分解问题,有效提高并优化了Web文本分类效果,更好地表示了Web文本潜在语义空间。

基于自适应LBP和SVM的织物疵点检测算法

为准确提取不同种类织物纹理的特征,提出一种新的纹理特征描述方法——自适应局部二值模式(ALBP)。该方法为不同纹理结构创建相应的主要概率模式子集,避免了均匀局部二值模式(ULBP)使用同一模式集描述不同纹理而导致的描述不准确问题。在该算法基础上构建一种基于支持向量机(SVM)的织物疵点检测算法,将疵点检测问题转化为分类问题。实验结果证明,该算法不仅保持了传统局部二值模式(LBP)的旋转不变、多分辨率等特点,而且疵点检测结果在视觉上更加清晰、误检率更低、适用范围更广,SVM的优秀分类性能也有效地提高了疵点检测的准确率。

基于MS-LLE的矿井提升机轴承故障诊断

针对传统矿井提升机轴承故障诊断方法通常只利用原始振动信号的单一几何结构信息,忽略了其他能表征数据结构的重要信息,无法准确获取表征矿井提升机轴承运行状态的低维结果。鉴于此,提出了一种基于多结构局部线性嵌入(MS-LLE)的矿井提升机轴承故障智能诊断方法。该方法首先利用局部线性嵌入(LLE)方法挖掘原始数据的局部结构,并使用全局结构法获取矿井提升机轴承数据的全局几何结构;然后通过引入平衡参数将两种结构进行线性融合,构造一个包含多种信息的结构图;其次通过在低维空间中保持该图不变提取矿井提升机轴承运行状态的本质特征;最后通过与支持向量机(SVM)分类器相结合构建矿井提升机传动系统轴承故障智能诊断模型。实验结果表明,该模型能有效提升矿井提升机传动系统轴承故障诊断精度。

基于GLGE的采煤机摇臂轴承故障诊断

传统采煤机摇臂轴承故障诊断技术往往只考虑高维振动信号单一几何结构信息,造成其他结构信息丢失,无法准确获取表征轴承运行状态的低维特征。提出了一种基于全局-局部图嵌入(GLGE)的特征提取方法。该方法首先通过挖掘高维轴承数据的全局和局部几何结构,构造一个协同表示图,准确表征高维样本间固有的流形结构;然后根据相似图相应的权重评估样本间的相似性,通过在低维空间中保持该相似性不变计算低维嵌入结果,得到能表征滚动轴承运行状态的低维特征;最后通过与支持向量机(SVM)相结合构建轴承故障诊断模型。实验结果表明:轴承平均故障诊断精度达到98.5%,与传统的故障诊断方法相比,该诊断模型故障诊断精度高,能有效提升采煤机摇臂轴承故障诊断精度。

SVM置信度在线评估以及决策改进

设计了SVM置信度在线评估方案,以此确定SVM做多分类时结果的风险程度,对高风险决策结果进行修正。置信度评估采用理论估计和经验估计相结合的方式。多分类决策结果的修正由在线生成的局部分类器完成。局部分类器在待查询数据的邻域内工作,此邻域基于一个局部测度而生成。实验表明,所设计的算法呈现了较好的分类能力,提高了传统同类方法的分类准确率。

多尺度-方向笔画结合SVM验证的文字区域定位

图像中文字区域检测与定位的关键环节是文字区域显著特征的描述与分类,文字区域一般是由几个方向的笔画组成,笔画既有梯度的边缘同时又具有明显的方向分布规律。在此思路的引导下,利用特征定位和学习型验证的两级框架提出一种新的文字区域定位算法。在粗定位模块中,引入对字符区域有显著描述能力的多尺度-方向笔画算子融合字符边缘粗糙度特征;经阈值处理、形态学滤波、最小矩形区域覆盖得到候选文字区域。在验证模块中,提取对文字有较强鉴别能力的笔画特征,然后用SVM(support vector machine)分类器对候选文本行进行验证筛选,得到文本区域的最终定位结果。实验结果表明,该算法具有较强的鲁棒性,无论对中文字符区域还是英文字符区域都能得到较好的定位结果。

基于局域均值分解包络谱和SVM的滚动轴承故障诊断方法研究

论述了局域均值分解(Local mean decomposition,LMD)的定义和算法。结合局域均值分解、包络分析和支持向量机(Support vector machine,SVM)的各自特点,提出了一种基于LMD包络谱和SVM的滚动轴承故障诊断方法,该方法先对滚动轴承振动信号进行分解,得到一系列的生产函数分量,然后,再对前面几个生产函数分量进行包络分析,从包络谱中提取特征幅值比作为特征向量输入到SVM分类器中进行识别。实验结果验证了提出的方法的有效性,可以有效地识别滚动轴承的不同故障。

基于LMD包络谱熵及SVM的天然气管道微小泄漏孔径识别

针对管道泄漏信号的非平稳特征以及管道泄漏孔径大小难以识别的问题,提出一种基于局域均值分解包络谱熵及支持向量机的识别方法。该方法对管道泄漏信号进行局域均值分解,得到若干个瞬时频率具有物理意义的乘积函数(production Function,PF)分量;计算各PF分量的峭度值并据此选出包含主要泄漏信息的分量作为主PF分量,对这些分量进一步采用小波包分解能量法进行分析并重构;再对重构后的主PF分量进行希尔伯特变换求取包络谱,结合信息熵的概念提出包络谱熵并计算熵值;将归一化包络谱熵作为泄漏信号特征输入支持向量机分类器中,用以区分不同的泄漏孔径,完成对泄漏孔径的识别。通过试验采集大量的管道泄漏信号进行处理及分析,试验结果表明该方法能有效识别不同泄漏孔径类别。