基于关联向量机回归的故障预测算法

针对一类故障预测问题提出了一种基于关联向量机(relevance vector machine,RVM)回归的故障预测算法。算法首先采用关联向量机模型对对象历史数据中隐含的故障演化信息进行学习,然后将所获取的关联向量机模型用于对象故障未来变化趋势的预测。预测过程采用多步时间序列预测中的递推计算的思想,并且将每一步预测的不确定性作为下一次预测迭代的输入要素加以充分的考虑。迭代过程中的一些关键量的获取采用了蒙特卡罗采样计算的思想,避免了对关联向量机核函数选取的限制。算法预测输出采用对象系统剩余寿命的随机分布形式,相对于传统预测算法的确定值形式的输出更加符合实际。将所提算法与传统算法进行比较,仿真实验结果证明所提算法要优于传统故障预测算法。

基于关联向量机的齿轮故障检测方法研究

针对故障检测中缺少故障样本的问题,提出一种基于关联向量机的故障检测方法。构造一个可分性评价指标进行特征选择,在此基础上将单值分类方法应用在齿轮箱故障状态检测中,只需利用正常运行的数据信号,就可以检测齿轮的运行状态。实验分析表明,关联向量机与传统的支持向量数据描述方法相比,具有较好的分类能力和较高的计算效率。

基于贝叶斯学习的关联向量机及其在软测量中的应用

介绍了一种与支持向量机(SVM)函数形式相同的稀疏概率模型——关联向量机(RVM),其训练是在贝叶斯框架下进行的,在处理具有噪声的函数回归时,RVM具有很出色的性能。与SVM相比不仅解更稀疏,而且无需调整模型参数,核函数选择也不受限制。将RVM应用于PTA装置溶剂脱水塔塔顶塔底组分软测量建模,仿真结果表明:该方法预测精度较高,具有一定的应用价值。

遗传关联向量机高光谱影像分类

基于高光谱影像临近波段相关性高,直接在高维空间分类并非最优,并且使用交叉验证进行分类器参数寻优过程繁琐,提出了遗传关联向量机(GA-RVM)高光谱影像分类算法,使用遗传算法搜索面向关联向量机(RVM)的最优参数和特征子空间,消除冗余信息,简化参数优化过程.实验环节验证了GA-RVM算法的有效性,剔除约50%冗余波段后,总体分类精度提高3%,对难分地物改进尤为明显,其中混分最严重的2种大豆精度提高了8%.

基于在线聚类和关联向量机的多模型软测量建模

针对软测量样本具有按工况点聚类的特性,提出一种基于在线聚类和关联向量机的多模型软测量建模方法。聚类算法通过设定各辅助变量的权重、按引力原理聚类以及合并子聚类,可把样本按照不同的工作点进行聚类。子模型通过关联向量机实现概率化预测,并采用一种更加有效的核参数选择算法提高算法速度。该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系统中取得了良好的效果。

基于自回归模型和关联向量机的癫痫脑电信号自动分类

癫痫脑电信号自动分类方法的研究具有重要意义。基于自回归模型和关联向量机,实现癫痫脑电信号的自动分类。采用自回归模型,进行脑电信号特征提取;通过引入主成分分析和线性判别分析两种特征变换方法,降低特征空间维数;采用关联向量机作为分类器,提高模型稀疏性并可以得到概率式输出。在对波恩大学癫痫研究中心脑电信号的分类中,所提出的方法最高准确率可以达到99.875%;在将特征空间维数降至原始维数的1/15时,分类准确率仍可达到99.500%;采用关联向量机作为分类器,模型稀疏性大幅提高,与支持向量机相比,同等条件下关联向量数仅为支持向量数的几十分之一。所提方法可以很好地应用于癫痫脑电信号的自动分类。

基于多关联向量机的动态软测量建模

为了估计工业过程中的质量参数,考虑到实际过程中的动态特性,提出一种基于多关联向量机的动态软测量建模方法。对于动态过渡周期内的二次变量数据,根据不同采样时刻划分为多个计算子空间,在每一子空间内采用关联向量机来建立不同时刻的二次变量对主导变量的影响模型。各个子模型的输出采用一个综合关联向量机进行连接,从而建立了基于过渡周期内不同二次变量采样数据的主导变量动态软测量模型。通过实例仿真,结果验证了所提出方法的有效性。

最速上升关联向量机高光谱影像分类

针对高光谱影像近邻波段高度相关,直接在高维空间分类并非最优的问题,提出了基于最速上升和关联向量机(SA-RVM)的高光谱影像分类算法。使用最速上升(SA)算法搜索最优特征子空间,剔除冗余特征;然后,在特征子空间中训练RVM并分类。对4套测试数据进行的实验表明,SA选择的特征子空间中,RVM分类精度提高了2.5%以上,与支持向量机(SVM)相当。对训练样本较少的2套数据,精度提高了5.63%和6.2%。此外,SA-RVM的解稀疏,预测未知样本类别属性所需时间短。总体来看,SA-RVM精度高、判别速度快,适合处理大场景高光谱影像。

利用关联向量机和S变换识别电能质量扰动

电能质量扰动检测识别对电能质量的监测和治理改善都具有重要作用。为更好地识别电能质量扰动,提出了一种基于关联向量机和S变换的电能质量扰动识别方法。首先,通过S变换提取正弦信号、谐波、电压波动、电压暂降、电压暂升、暂态振荡、谐波暂降及谐波暂升等9种电能质量扰动的主要特征,然后用关联向量机对特征样本进行训练及分类。算例结果表明,该方法能有效地识别出电能质量扰动信号类型,识别时间短,且正确率极高,达98.8%,是应用于实时电能质量监测工程实际的很好选择。

关联向量机在微生物发酵传感器故障诊断中的应用

微生物发酵过程具有严重的非线性和时变性,有许多过程参数需要监控,因此发酵罐的传感器故障诊断显得尤为重要。为此提出了一种微生物发酵的故障诊断新方法,即两个关联向量机分别作为观测器和分类器。观测器用于估计某传感器所测得的参数值(文中以二氧化碳释放率为例)以便得到残差序列,分类器用于对残差序列进行分类。仿真结果表明这种方法是可以有效地诊断传感器的故障的。

基于关联向量机的混沌时间序列预测

混沌是一种貌似无规则的运动,指在确定的系统中,不需附加任何随机因素亦可出现类似随机的行为。在混沌的研究上,根据混沌系统提取的非线性时间序列对系统的未来进行预测,是一个十分重要的方面,混沌时间序列的非线性性给预测建模带来困难。关联向量机(RVM)是一种建立在支持向量机(SVM)之上的统计学习新方法。基于RVM对以典型混沌时间序列为对象展开预测研究,实验表明在若干步内,RVM具有较高预测准确度,适用于混沌时间序列的多步预测。

基于Grouplet熵与关联向量机的断口图像识别方法研究

Grouplet变换是通过Haar变换实现的一种二维图像多尺度分析技术,拥有根据图像的纹理结构自适应改变基的能力,从而具有较好的稀疏性。与小波变换相比,Grouplet变换在针对纹理复杂的金属断口图像的识别方面具有更优越的性能;将Grouplet变换与关联向量机结合,采用Grouplet熵作为特征,关联向量机作为识别器,提出了一种新的基于Grouplet熵-RVM的航空构件断口图像识别方法。试验表明:该方法结合了Grouplet变换以及关联向量机的优势,在针对222张断口图像的训练与识别中,识别率达到了85.58%,相比Grouplet熵-SVM方法识别速率提高了5倍。

一种基于关联向量回归的盲图像复原

提出一种基于关联向量回归模型的盲图像复原算法。用模糊噪声图像作为训练集合,由此得到关联向量回归模型。该模型可用于恢复受不同类型模糊和不同噪声污染的图像。实验结果表明:同其他盲复原算法相比,该算法对点扩展函数(PSF)类型和噪声都有较强的鲁棒性。同时,从改善信噪比大小和主观视觉两个方面,该算法都能取得良好的复原效果。

关联向量机在风电机组输出功率超短期预测中的应用研究

针对风电机组输出功率所固有的间歇性、波动性和随机性等特征,引入关联向量机(Relevance Vector Machine,RVM)理论,根据实测历史功率数据,建立风电机组输出功率超短期预测模型,对模型的正确性和实用性进行了验证。

基于EMD的多特征参数和关联向量机的滚动轴承故障诊断研究

轴承作为工业中旋转机械中的重要部件,其故障将严重影响机械设备的安全运行.为了实现对轴承运行故障状态的有效诊断,提出了一种基于经验模态分解(empirical mode decomposition,EMD)提取的多特征参数的关联向量机的(Relevance vector machine,RVM)的滚动轴承的多故障诊断模型.首先运用经验模态分解的方法将轴承振动信号分解为多个固有的模态分量,之后将提取的表征轴承故障特征的IMF分量的能量、峭度、偏度构造特征向量,最后采用关联向量机多分类故障诊断模型进行故障模式识别.轴承实测振动信号分析表明:该方法能够有效、准确地诊断出轴承的故障状态,具有较高故障诊断准确率.

贝叶斯分类器的关联向量机多模型软测量建模

为了改善软测量模型的估计精度,提出了一种基于贝叶斯分类算法和关联向量机的多模型软测量建模方法。采用贝叶斯分类器对样本数据集进行分类,并对不同类别的输入数据分别建立关联向量回归机子模型,用"切换开关"方式组合作为最终的软测量模型输出。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明:与单模型支持向量机相比,该方法估计精度较高,具有一定的应用价值。

基于关联向量机的污水处理软测量模型研究

出水总氮(TN)和总磷(TP)是衡量水质的重要指标,用人工方法分析存在很大的滞后性且难以测量。针对污水处理过程中强非线性、随机干扰等因素带来的一系列问题,运用基于关联向量机(RVM)的软测量方法,通过数据训练建立起水质软测量模型。试验结果表明,基于关联向量机的污水处理软测量模型能起到较好的预测效果,适合工业应用。

关联向量机及其在入侵检测中的应用探讨

介绍一种稀疏的贝叶斯学习算法———关联向量机(RVM),它在再生核希尔伯特空间中学习,利用贝叶斯方法推理,推广能力好,与支持向量机相比不仅解更为稀疏而且不需要调整超参数。应用RVM的对小样本的良好分类能力,提出一种基于RVM的入侵检测原型系统。

两个关联向量组的极大无关组及其余向量的线性表示

给出了两个向量组为关联向量组的定义,讨论了其简单性质及判定,极大无关组的求法及其余向量的线性表示。

关联向量机在高光谱影像分类中的应用

将关联向量机应用于高光谱影像分类,实现高维空间中训练样本不足时分类器的精确建模。从稀疏贝叶斯理论出发,分析关联向量机原理,探讨一对多、一对一和两种直接的多分类方法。实验环节比较了各种多分类方法,并从精度、稀疏性两方面将关联向量机与支持向量机等经典算法比较。实验结果表明,两种直接的多分类方法内存占用大、效率低;一对多精度最高,但效率较低;一对一计算效率最高,精度与一对多近似。关联向量机精度不如支持向量机,但解更稀疏,测试样本较多时实时性好,适合处理大场景高光谱影像的分类问题。