基于代价敏感支持向量机和多变量决策树的分级自适应暂态电压稳定评估

为解决暂态电压稳定评估中失稳工况漏判率高的问题、提升多变量决策树(multivariate decision tree,MDT)应用能力,提出一种分级代价敏感多变量决策树(hierarchical cost sensitive multivariate decision tree,HCS-MDT)评估方法。基于可量测电气量时空联合拓展构建特征,利用改进经验风险的代价敏感支持向量机(cost sensitive support vector machines,CS-SVM)作为MDT内部节点分类器,生成解析式组合特征判稳规则作为可视化决策依据,并能有效减少失稳漏判;将分级自适应(hierarchical self-adaptation,HSA)准则融入CS-MDT中进行暂态电压稳定评估,在提升早期评估能力的同时有效保障评估准确率。暂态电压稳定仿真算例验证了所提方法的有效性。

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。

基于不确定性采样的自训练代价敏感支持向量机研究

针对样本集中的类不平衡性和样本标注代价昂贵问题,提出基于不确定性采样的自训练代价敏感支持向量机。不确定性采样通过支持向量数据描述评价未标注样本的不确定性,对不确定性高的未标注样本进行标注,同时利用自训练方法训练代价敏感支持向量,代价敏感支持向量机利用代价参数和核参数对未标注样本进行预测。实验结果表明:该算法能有效地降低平均期望误分类代价,减少样本集中样本需要标注次数。

基于同步优化的代价敏感支持向量机优良类操作模式识别

针对氧化铝蒸发过程操作模式集中类别不平衡和噪声特征问题,提出基于同步优化的代价敏感支持向量机操作模式识别方法。对氧化铝蒸发过程机理进行分析,该过程的输入条件、操作参数和状态参数被选为原始操作模式,利用离散的粒子群算法优化操作模式的特征集,选择最优特征子集作为最终的操作模式;同时利用连续的粒子群算法优化代价敏感支持向量机的核参数和误分类代价参数,自动搜索和确定最优的核参数和误分类代价参数。工业应用结果表明,与粒子群优化操作模式特征子集或粒子群优化核参数和误分类代价参数相比,所提出的方法优良类操作模式识别高,误分类代价低。

一种基于属性加权的代价敏感支持向量机算法

针对实际中存在的各类别样本错分造成不同危害程度的分类问题,提出了一种基于属性加权的代价敏感支持向量机分类算法,即在计算各个样本特征属性对分类的重要度之后,对相应的属性进行重要度加权,所得的数据用于训练和测试代价敏感支持向量机。数值实验的结果表明,该方法提高了误分代价高的类别的分类精度,同时属性重要度的引入提高了分类器的整体分类性能。该方法对错分代价不对称的数据分类问题具有重要的现实意义。

加权随机森林和代价敏感支持向量机与心衰患者死亡风险评估

目的 探讨加权随机森林和代价敏感支持向量机模型在慢性心衰死亡风险评估中的应用。方法 利用AUC-RF自变量筛选方法选出与心衰死亡的相关因素,将选出的变量作为输入变量,预后有无死亡作为结局变量构建传统随机森林、支持向量机、logistic回归、加权随机森林和代价敏感支持向量机分类预测模型。结果 AUC-RF筛选出的变量中有中枢系统疾病史、肾功能不全史、心包积液、BMI、中性粒细胞比值、肾小球滤过率、N端前脑钠肽等指标重要度较高,提示这些指标或有临床意义。评价指标有灵敏度、特异度、准确度、G-means、F-measure和AUC值,logistic模型评价指标的中位数分别为:78.46%、63.19%、81.4%、0.6933、0.467和0.7003;加权随机森林评价指标分别为:78.08%、82.74%、85.96%、0.8086、0.4853和0.8109;代价敏感支持向量机评价指标分别为:75.38%、72.49%、88.8%、0.7402、0.4749和0.7940。结论 加权随机森林模型对心衰患者预后死亡预测性能较高,该模型有助于临床医生识别心衰死亡危险因素,具有较高应用价值。

参数优化的支持向量机机车车轮状态检测

针对车轮状态检测中存在的类间样本误分代价不等的问题,利用自适应变异粒子群算法对代价敏感支持向量机(CS-SVM)的参数进行优化。该方法从数据样本中提取不均衡数据创建训练样本,采用代价敏感的支持向量机建模。为了提高分类的精确度,选用径向基核函数优化模型结构。提出了自适应变异粒子群算法优化CS-SVM的两个不同惩罚参数和核函数,并用参数优化的代价敏感支持向量机实现重载机车车轮状态分类。最后,通过仿真验证,车轮状态检测的平均准确率可以达到95%,平均处理速度24 s,具有实时性和较强的鲁棒性,能够满足重载机车运行要求。

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机(Incremental Cost-sensitive Support Vector Machine,ICSVM)的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。

嵌入误分类代价和拒识代价的二元分类算法

传统分类算法隐含的假设(每个样本的误差都具有相同的代价,且接受每个样本的分类结果)并不适用于医疗诊断、故障诊断、欺诈检测等领域的实际需求。在定义拒识代价的基础上,本文提出一种嵌入非对称误分类代价和非对称拒识代价的二元分类算法(CSVM-CM C2RC),包括以下4个步骤:学习代价敏感支持向量机、估计每个样本的后验概率、计算每个样本的分类可靠性、确定每类样本的最优拒识阈值。基于标准数据集的试验研究表明,CSVM-CM C2RC能有效地降低误分类率和平均代价,提高分类结果的可靠性。

基于CS-SVM的氧化铝蒸发过程故障检测

针对氧化铝蒸发过程样本集中的类不平衡和故障难以实时检测问题,提出线性权重递减粒子群-代价敏感支持向量机故障检测方法。深入分析氧化铝蒸发过程机理,选择合适输入条件、操作参数、状态参数作为代价敏感支持向量机的输入向量,工况样本类别作为其输出。代价敏感支持向量机以最小化误分类代价为目标,利用线性权重递减粒子群优化代价敏感支持向量机核参数和误分类代价参数。实验结果表明所提出的方法能有效地提高故障识别率和减少平均误分类代价。

一种面向非平衡步态数据的帕金森病诊断方法

运动障碍是帕金森病(PD)患者的重要特征,步态信号分析可以为疾病诊断和康复治疗提供有力依据。现实中PD患者数量远小于正常人群,传统的机器学习方法不适合对正例样本数远多于反例的非平衡数据进行分类。为了准确地区分出PD患者和健康人,使用一种代价敏感支持向量机(CS-SVM)的方法来构建PD患者和健康人之间的步态信号分类模型。所有受试者的步态运动学特征数据是采用真实的U型电子步道系统提取的,并将特征数据转化为无量纲的形式来消除身高对时空属性的影响。实验结果表明使用这种CS-SVM方法得到的预测准确率和F-measure值分别达到了94.16%和87.08%,与传统的SVM方法相比性能更优。同时消除身高对时空属性的影响可以大幅提高识别性能,预测准确率和F-measure值分别达到94.81%和88.66%。

基于改进FOA优化的CS-SVM轴承故障诊断研究

针对故障诊断中的小样本及样本类不平衡问题。建立基于代价敏感支持向量机(CS-SVM)的故障诊断模型,提出采用改进FOA算法(IFOA)对规则化常数C+,C-和核函数参数g进行优化选取,通过增大对故障类样本错分的惩罚代价,提升对故障类的诊断正确率;以IMS航空轴承试验数据为对象,结合随机共振、KPCA特征提取方法对所提IFOA优化的CS-SVM模型进行了验证。结果表明,该方法能有效处理误分类代价不同的轴承故障诊断问题,提高了故障类样本的诊断正确率,可拓展应用至其它故障诊断领域。

基于自适应多尺度脑功能连接的局灶性癫痫发作检测方法研究

利用长时程脑电图检测癫痫发作是临床中较为广泛的应用,然而这项工作乏味、耗时,且很大程度上依赖于临床医生的自身经验和主观判断,准确性和可重复性也较低。针对长时程脑电图检测癫痫中存在的问题,提出一种基于自适应多尺度脑功能连接的癫痫发作检测方法(AMBFC),并选取10例局灶性癫痫患者的发作期和非发作期的样本作为研究对象。首先在一个滑动时间窗内,通过多元经验模态分解(MEMD)提取19通道脑电信号的7个本征模函数(IMF)分量及残差;然后建立多变量自回归(MVAR)模型,利用有向传递函数(DTF)提取流出信息强度,进行特征组合,并通过主成分分析(PCA)降维保留原始特征数目的85%;最后经代价敏感支持向量机(CSVM)分类区分发作期和非发作期脑电,并通过五重交叉验证进行癫痫发作检测算法的效果评价。结果表明,AMBFC算法检测脑电癫痫发作得到的平均准确率为98.6%,精确率为81.9%,召回率为81.4%,F2值为0.80。与各IMF分量、DTF-CSVM算法等检测结果相比,AMBFC算法更具有优越性。有望应用于长时程脑电的实时监测。

基于FOA优化的CSSVM管道堵塞状态识别研究

针对城市排水管道正常与堵塞故障状态在数据获取上的不平衡性造成的运行状态识别准确率下降的问题,提出了一种基于果蝇优化算法的代价敏感支持向量机的管道堵塞状态识别方法。根据排水管道内各运行状态下采集到的不平衡数据集,首先对不平衡数据集进行小波包分解,其次,提取各个分解系数的能量熵、近似熵指标构建特征向量集合;采用果蝇优化算法(FOA)对不同类样本惩罚因子C_m和核函数参数g进行优化选取,即对代价敏感支持向量机(CS-SVM)模型优化,将特征集合输入优化后的CS-SVM模型中,对排水管道的正常和堵塞状态识别,通过增大对少数类样本错分的惩罚代价,结果表明,提升了少数类的识别准确率。

基于改进的QBC和CS-SVM的故障检测

针对复杂工业过程样本集中的类不平衡、样本标注代价昂贵和样本孤点的问题,研究基于委员会投票选择(MQBC)和代价敏感支持向量机(CS-SVM)的故障检测方法.给出未标注样本信息度的定义,提出改进的委员会投票选择算法.主动代价敏感学习通过MQBC选择信息度高的未标注样本对其标注并添加到训练集.CS-SVM将不同类样本的误分类赋予不同的误分类代价,从而提高CS-SVM的故障检测率.最后,以铜闪速熔炼过程为例,实验结果验证了所提出方法的有效性.