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.

基于决策导向非循环图支持向量机的脱机手写体汉字识别

目前脱机手写体汉字识别在小字符集方面取到了比较好的效果,但在大字符集方面仍存在着识别速度慢、准确率低等问题。不同于传统的二叉树方法,本文将决策导向非循环图用于汉字识别,并加以改进。仿真实验表明,该算法能对大字符集的手写体汉字进行识别,有效减小了误差,具有较高的识别率。

采用多模糊支持向量机决策融合的积雨云检测

采用决策融合策略,提出了一种基于多模糊支持向量机(FSVM)的积雨云检测方法以解决添加更多的特征可增加云分类识别的准确率而特征维数过高又会造成过拟合现象的矛盾。该方法首先从训练云图提取光谱特征、通道亮温差特征、一阶灰度直方图纹理特征、灰度共生矩阵纹理特征以及Gabor小波特征,并组成包含5类特征的训练样本集;然后针对每类特征,训练5个FSVM子分类器。最后对各子分类器的结果在输出空间进行加权决策融合,以提高积雨云检测的准确率。实验结果表明,本文方法不仅较好地解决了积雨云检测中由于特征维数过高而造成的过拟合现象,而且能自适应地确定不同特征的权重,检测准确率优于各FSVM子分类器和包含所有输入特征的单FSVM分类器,有望在卫星云图分析中得到应用。

一种改进的最小二乘支持向量机及其应用

为了克服传统支持向量机训练速度慢、计算资源需求大等缺点,本文应用最小二乘支持向量机算法来解决分类问题。同时,本文指出了决策导向循环图算法的缺陷,采用自适应导向循环图思想来实现多类问题的分类。为了提高样本的学习速度,本文还将序贯最小优化算法与最小二乘支持向量机相结合,最终形成了ADAGLSSVM算法。考虑到最小二乘支持向量机算法失去了支持向量的稀疏性,本文对支持向量作了修剪。实验结果表明,修剪后,分类器的识别精度和识别速度都得到了提高。

基于多分类相关向量机的水电机组振动故障诊断

水电机组振动故障成因与故障征兆之间呈复杂的非线性关系,传统方法难以描述。当前研究常采用模式识别方法,如支持向量机、神经网络等实现振动故障诊断。该文在现有研究基础上,引进相关向量机(relevance vector machine,RVM)对诊断过程进行改进。相比传统方法,该文所提方法在学习过程中参数设置简单,在输出结果时给出了分类的可靠性,适合实际工程应用。同时,该方法在决策过程中,能够根据训练数据分布情况,自动选取决策结构,进一步提高诊断的速度与准确性。将该文所提诊断方法用于水电机组振动故障诊断实例,取得良好效果,验证了算法的有效性。

液压挖掘机作业循环阶段的智能识别

为了实现对液压挖掘机作业循环各阶段的自动识别,提出以主泵压力为识别对象的智能识别方法.以各阶段开始或结束时的一段波形作为分段标志,对作业循环进行分段.采用有向无环图支持向量机(DAGSVM)多分类方法,识别各分段标志,根据各类样本之间的可分度,优化DAGSVM结构,同时设定距离阈值,保证被识别出的波形为分段标志.引入智能校验系统,对由操作手误动作等引起的识别错误进行校正,使识别准确率由65%提高至95%.最后分析了分段标志宽度对识别准确率的影响.实际测试表明,该方法识别准确率高,实时性好,能够有效识别作业循环各阶段.

基于计算机视觉的循环水养殖系统残饵识别研究

利用计算机视觉技术和机器学习方法研究工业化循环水养殖的残饵与粪便的识别问题,为基于残饵浓度检测的智能投喂系统提供理论依据。首先对残饵视频进行图像预处理,分割出残饵和粪便图像;然后根据残饵和粪便在灰度分布和形状上的差异,提取平均灰度,周长平方面积比、凸壳面积比、骨架数、对比度、逆差距6个特征;再分别运用4种不同核函数的支持向量机(SVM)算法和改进的决策树算法进行残饵图像识别。结果显示,径向基核函数的SVM算法识别效果最好,残饵和粪便识别率分别达到99%和97%以上;改进离散方式的决策树算法识别率与SVM算法的识别率接近,并且实时性更好。

基于随机森林的统计控制图模式识别研究

引入随机森林方法进行统计控制图模式识别的研究。提取了控制图的统计特征和形状特征,设计了5种不同的特征组合方法,利用蒙特卡洛仿真方法产生训练数据集和测试数据集,选取了常用的3种模式识别方法(支持向量机方法、人工神经网络方法、决策树方法)进行对比。实验结果表明,随机森林方法相比其他3种分类器方法,在分类准确率和消耗时间两个维度上都有明显优势,可以应用于统计过程控制图模式识别。

基于DAGSVM和决策树的电气草图符号识别

针对电气行业设计人员构思初步电路方案徒手绘制电气草图时,存在的电气符号模糊性和输入的随意性等缺点,提出基于有向无环图支持向量机(DAGSVM)和决策树的组合符号识别模型。提出了改进的有向无环图支持向量机多分类算法用于基本符号识别和组合符号识别;在组合符号预分类过程中引入决策树算法用来减少分类器的数量。应用结果表明:应用该模型的系统不仅能够有效识别出各种复杂的手绘电气符号,且有效地降低了识别的计算成本。该系统能帮助电气工程师将设计思想快速、清晰地转换为电气工程图,提高了设计效率。

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。

基于EMD近似熵和DAGSVM的机械故障诊断

故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键。针对此问题，提出一种基于经验模式分解近似熵和决策导向循环图支持向量机的机械故障诊断新方法。首先，对故障振动信号进行经验模式分解，得到若干个反映故障信息的本征模函数；其次，选取前4个本征模函数的近似熵值作为信号的特征向量；最后，将构造的特征向量输入到决策导向循环图支持向量机分类器进行故障类型识别。仿真表明，该方法能有效地提取故障特征，与“一对一”支持向量机及传统的BP网络相比，具有训练样本少、训练速度快、识别精度高等优点。

图像多分类主动学习方法

以决策速度快的决策导向非循环图支持向量机(Decision DirectedAcyclic Graph Support Vector Machine)为基准分类器,结合主动学习的思想,提出了一种图像多分类主动学习方法。这种方法是一种半自动的图像语义分类方法,可以将图像分成多个语义类别。该方法在最近边界主动选择方法的基础上,提出一种基于质疑度的主动选择策略。这种策略将SVMactive中提出的最近邻SVM分类面选择的反馈样例策略延伸到多分类中,通过区别对待奇异样例和容易错分样例,减少了噪声数据对分类器的干扰,提高了分类的精度。

一种改进的DDAGSVM决策算法

决策导向无环图支持向量机(DDAGSVM)是一种典型的SVM多类分类算法,然而传统SVM决策分类器存在误差积累,其推广能力有待进一步提高。为改进DDAGSVM,有效的做法是定义一种类间可分离性测度,将容易分的类先分割出来,然后再分不容易分的类,使错分尽可能地远离图的根部。引入了一种基于广义KKT条件的类间可分离性测度,提出一种改进的DDAGSVM分类决策算法。三螺旋线实验和HRRP分类实验证明该方法对控制分类错误有明显的效果。

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.

三轴AMR车辆检测器的车型分类设计实现

随着城市机动车数量的不断增加,城市交通向智能交通方向的快速发展,传统的车辆检测器已经不能满足智能交通对交通状况反映的要求.车辆检测器的车型分类功能成为检测器发展的趋势,针对目前AMR车辆检测器弱化车型结构对磁场强度影响的问题,设计了一种新型的AMR车型识别检测器.单个检测器可以采集三个方向地磁变化量,结合一个高精度的时间模块,可以获得磁场强度在立体三维空间的变化,丰富了采集信息.通过比较常见的车型分类算法优缺点,采用DAG-SVM进行车型分类.实验测试的结果表明,该检测器可以有效地对车辆进行分类.

一种改进的DDAGSVM多类分类方法

支持向量机最初是针对两类分类问题提出的,如何有效地将其推广到多类分类问题仍是一项有待研究的课题。本文介绍了现有的具有代表性的多类支持向量机分类算法,并在分析决策导向非循环图支持向量机分类器生成顺序随机化的基础上,引入类内的分散度,以基于样本分布的类间分离程度作为类别的划分顺序,最终构成了一种分类间隔较大的决策导向非循环图支持向量机分类算法。实验结果表明了本文方法具有更高的分类精度。

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%.

基于优化DDAGSVM多类分类策略的电能质量扰动识别

针对电能质量扰动类型多样且识别率不高的问题,该研究的目的是如何将多类分类问题应用于支持向量机。首先通过S变换和FFT变换提取扰动信号特征量进行模型训练。其次将广义KKT判定条件与样本空间分布序列相结合引入类间识别度,将类间识别度最高的超平面函数作为分类器根节点,以此克服传统决策导向非循环图支持向量机分类器(DDAGSVM)在分类生成顺序上随机化的缺点,并将改进的DDAGSVM应用于电能扰动信号的识别分类。实验结果表明,所提算法较传统DDAGSVM算法有良好效果和更好的鲁棒性。

一种LDA与SVM混合的多类分类方法

针对决策有向无环图支持向量机(DDAGSVM)需训练大量支持向量机(SVM)和误差积累的问题,提出一种线性判别分析(LDA)与SVM混合的多类分类算法.首先根据高维样本在低维空间中投影的特点,给出一种优化LDA分类阈值;然后以优化LDA对每个二类问题的分类误差作为类间线性可分度,对线性可分度较低的问题采用非线性SVM加以解决,并以分类误差作为对应二类问题的可分度;最后将可分度作为混合DDAG分类器的决策依据.实验表明,与DDAGSVM相比,所提出算法在确保泛化精度的条件下具有更高的训练和分类速度.

基于EEMD的异常声音多类识别算法

为了提高异常声音信号的识别率,提出一种将总体平均经验模态分解和梅尔频率倒谱系数、短时能量及能量比相结合的特征提取改进算法,并对决策导向无环图支持向量机多类识别算法进行改进.首先对声音信号进行分帧,然后对每帧信号进行总体平均经验模态分解得到固有模态函数,最后对每层固有模态函数提取梅尔频率倒谱系数、短时能量和能量比特征.根据提取的特征,采用改进的决策导向无环图支持向量机算法对五种异常声音信号进行识别.仿真结果表明：改进的特征提取算法和决策导向无环图支持向量机多类识别算法相比改进前识的别率分别提高了2%和2.5%.