火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。

随机梯度下降优化的量子多分类支持向量机

为改善大规模数据在经典机器学习多分类任务中的计算负担,本文提出了一种基于随机梯度下降优化的量子多分类支持向量机(SGD-MQSVM)算法。通过采用量子随机梯度下降法获得训练参数,并采用全对多分类支持向量机的量子方法进行多分类。算法的时间复杂性可将单次迭代的时间复杂度从经典多项式级降低到对数级。

基于粒子群-支持向量机算法的激光诱导击穿光谱钢铁快速检测与分类

钢铁是国民经济中的支柱性产业,由于受生产技术的限制,我国钢铁产品主要集中为质量参差不齐的中低端产品,废品率较高,易造成资源浪费和环境污染。因此,钢铁产品的快速检测与鉴别分类,对保护环境以及提高钢铁资源的回收利用率有着重要意义。利用激光诱导击穿光谱技术(LIBS)进行10种钢铁样品光谱数据的快速采集,并采用支持向量机(SVM)算法对其数据进行学习建模,得到钢铁快速分类模型。然而,由于不同钢铁样品的光谱数据特征是复杂且相似的,导致设置的模型参数也会对SVM模型的分类结果有着较大的影响。为了实现对不同牌号钢铁合金的快速检测分类,实验中采用粒子群算法(PSO)与网格寻优法两种不同方法来优化模型参数,并分别选取样品中6种微量元素(Mn、Cr、Cu、V、Mo、Ti)的17条特征谱线,和经主成分分析法(PCA)对全谱数据降维提取得到的前17个主成分作为模型的输入,建立PSO-SVM、PSO-PCA-SVM、PCA-SVM和SVM四种分类模型。实验结果表明,相比于精度最高的PCA-SVM模型的优化时间(257.84 s),PSO-SVM模型优化时间最短(11.5 s),且识别精度可达96.67%,与PCA-SVM模型的精度(97.5%)几乎相当。该结果表明LIBS结合PSO-SVM算法可实现快速的钢铁检测与分类,该方法为钢铁产品的快速检测与分类提供了一种新的解决途径。

基于网格搜索优化支持向量机多分类参数识别不同工艺酱酒的应用研究

为提升支持向量机(SVM)在不同工艺酱酒分类预测中的准确度,该实验利用网格搜索优化支持向量机参数,建立最优参数的支持向量机分类预测模型。通过对不同工艺酱香型白酒客观结构特征定量分析,将提取的特征信息数据经过预处理(异常值处理、归一化操作等)后存储为样本数据集。其中样本数据分为训练样本与测试样本,通过训练样本对最优参数的SVM白酒品牌分类预测模型进行训练,测试样本对模型进行预测分类。经过试验验证,该模型的不同工艺分类识别率达到94.44%,较传统的SVM等分类算法能够快速、有效地对不同工艺的酱酒进行分类识别,显著改善分类的精度,改进后的方法实现过程也比较简单。

近邻密度辅助模糊优化孪生支持向量机的钢板表面缺陷分类

为提升钢板表面缺陷分类精度,提出一种选择性弱化样本的分类模型。首先,在图像预处理阶段引入显著性检测算法来减少二值化后图像出现失真的影响;其次,为了降低不利的边缘样本点对模型的影响,同时又能提高有利的边缘样本点对模型的贡献,构造了一种新的密度模糊隶属度函数对样本进行权重赋值;最后,在孪生支持向量机(TWSVM)的基础上,将构造的密度模糊隶属度函数作为优化条件嵌入模型内,提出了近邻密度辅助模糊优化的TWSVM算法,以提高分类效果。在数据集NEU上的实验结果表明,引入显著性检测算法后,重新设计的特征在整体准确率上提高了1.66%,同时采用优化后的算法进行缺陷分类,准确率达到98.33%,进一步提高了分类性能。

基于改进支持向量机的智能电能表故障多分类方法

智能电能表故障多分类对于制定合理及时的智能电能表检修计划具有重要意义。针对智能电能表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电能表的输出电压、输出电流、输出功率、功率因数误差等数据作为分类依据构建多维空间,考虑包括误差超差、直流电流开路、直流电压短路、控制回路短线在内的智能电能表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电能表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电能表故障多分类方法进行求解流程设计。再通过对某配电台区智能电能表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。

基于改进支持向量机的数字档案多标签分类算法

当前的数字档案分类方法存在测试集与训练集的基数之间差值偏大的问题,导致分类结果出现误差。为此,设计一种新的基于改进支持向量机的数字档案多标签分类算法。根据SVM函数确定数字档案信息的标签隶属度。求解深度指标,完成基于改进支持向量机的数字档案标签挖掘。获取数字档案信息样本,计算标签参量之间的相似度水平,实现基于改进支持向量机的数字档案多标签分类算法的设计。实验结果表明,研究方法下的标签测试集基数与训练集基数之间的差值始终小于350个,不会造成严重的数字档案信息错误分类问题。

基于改进支持向量机的软件缺陷快速分类研究

随着软件在各行业的广泛应用,对软件缺陷快速而准确的分类变得愈发关键。本文基于支持向量机(SVM)算法,提出了一种新的改进算法,强调提高处理效率和降低对噪声的敏感性,并通过对比分析实验结果,验证了改进算法相对于传统算法的性能优势。本文的研究结果能够为软件工程领域提供更先进、可靠的软件缺陷分类方法,为确保软件质量和可维护性提供有力支持。

基于支持向量机的通信网络攻击行为分类检测方法

由于通信网络流量数据具有高维性与复杂性,传统的网络攻击行为检测方法的检测准确率较低。为提高检测准确率,文章提出基于支持向量机的通信网络攻击行为分类检测方法,即使用预处理后的流量数据构建图卷积神经网络模型,提取特征并输入支持向量机进行分类,得到最终的攻击行为分类结果。仿真实验结果表明,基于图卷积神经网络的分类检测结果的漏报率仅为0.78%,相较于基于BP神经网络和基于普通卷积神经网络的分类检测方法具有更高的检测精度。

基于多分类不均衡支持向量机的制造型企业财务管理研究

近年来,制造型企业在经营过程中面临的挑战日益增大。为帮助制造型企业探索科学合理的财务管理方法,更好地保障企业的健康经营和降低成本,论文首先利用哈夫曼树将多分类不均衡企业数据分解为一系列相对平衡的二分类子问题,接着以支持向量机为分类器构建模型,然后,采用算术优化算法进行模型参数寻优。结果表明,发展能力、经营能力、偿债能力对企业的财务状况影响较大。最后,论文基于结果对企业提出相关管理建议。

面向类不均衡数据的多任务博弈概率分类向量机

在工程实际中获取的故障样本往往会呈现不均衡特点,同时传统的分类模型也会存在局限性。针对这些问题,基于稀疏贝叶斯理论、模糊隶属度等理论,提出了一种多任务博弈概率分类向量机(MGPCVM)分类方法。首先,在MGPCVM的目标函数中,设计了博弈因子,将不同类样本质心间的博弈信息赋予每个样本特定的样本质心敏感值,以解决传统分类器对不平衡数据集分类表现较差的问题;然后,在贝叶斯框架理论下,采用截断高斯先验分布的方法,使样本参数的正负与对应的标签信息相一致,且使样本质心敏感值产生了稀疏估计;最后,将MGPCVM方法应用于两种不同实验平台采集的滚动轴承实验数据处理,进行了故障诊断有效性验证。研究结果表明:在不同的不平衡比(IR)下,MGPCVM方法的准确率均保持在95%以上,相对于支持向量机(SVM)、概率分类向量机(PCVM)等方法提升了4%~8%;与典型向量式分类方法相比,MGPCVM方法可以在不平衡数据条件下表现出优越的分类性能,适用于实际工况中数据失衡的分类问题。

基于邻域粗糙集优化支持向量机的备件分类研究

针对现有备件分类中存在的备件种类繁多、属性复杂多样及分类标注不统一等问题,文中提出了一种基于邻域粗糙集的支持向量机(NRS-SVM)的多准则备件分类方法。首先,基于历史数据使用邻域粗糙集理论对备件属性进行约简,再将约简后的属性及数据输入支持向量机算法训练分类模型,最后可以将训练好的模型对真实的备件集进行分类。该方法对一家卷烟厂的实际备件数据进行试验验证,结果表明:基于邻域粗糙集的支持向量机在Z企业备件分类中具有高的分类准确率和优秀的泛化能力,验证了所提方法的有效性和优越性,从而更好地支持备件的管理。

基于麻雀搜索算法优化支持向量机的电能质量扰动分类研究

为了解决电能质量扰动分类运算速度慢、识别精度低等问题,笔者提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)优化支持向量机(Support Vector Machines,SVM)的电能质量扰动分类方法(SSA-SVM)。首先使用MATLAB软件生成8种电能质量扰动信号,然后利用SSA对支持向量机中惩罚因子和核函数进行寻优,使得支持向量机模型预测精度得到提高。结果表明,文中提出的SSA-SVM算法预测准确率为94.2%,相比SVM模型的提高了7.6%,是一种具有较强抗干扰性的电能质量扰动分类方法。

基于原型优化方法的分类器设计

常规分类器如k近邻、支持向量机等已经被广泛使用,但在大数据时代背景下,较多的训练量会大幅度降低分类器的训练效率和准确率。为了解决该问题,利用原型优化方法对已有训练数据进行筛选压缩,滤除大量冗余数据,将压缩后的数据集作为原型来训练分类器,提高训练效率和分类准确率。在已有方法基础上做出改进,设计新的基于原型优化方法的分类器,可以大幅度减小训练量,并保证分类准确率,测试结果验证了所提方法的有效性。

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法 ,较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程 ,对色谱分析法检测到的特征气体含量进行数值预处理 ,提取出故障识别所需要的 6个特征量 ,然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别 ,并最后判断输出变压器所处的状态。测试结果表明 ,该方法具有三个优点 :1 )具有较强的鲁棒性 ,识别正确率极高 ;2 )训练时间很短 ,实时性能好 ;3 )不存在局部极小问题。

基于支持向量机与无监督聚类相结合的中文网页分类器

提出了一种将支持向量机与无监督聚类相结合的新分类算法 ,给出了一种新的网页表示方法并应用于网页分类问题 .该算法首先利用无监督聚类分别对训练集中正例和反例聚类 ,然后挑选一些例子训练 SVM并获得 SVM分类器 .任何网页可以通过比较其与聚类中心的距离决定采用无监督聚类方法或 SVM分类器进行分类 .该算法充分利用了 SVM准确率高与无监督聚类速度快的优点 .实验表明它不仅具有较高的训练效率 ,而且有很高的精确度 .

基于支持向量机算法的地震事件分类研究——以东北地区为例

台网的加密使我们可以监测到更多类型、更小的地震事件,地震震源分类对地震危险性评估、区域构造研究和诱发地震的孕震机制都具有重要意义.在传统的地震监测中,技术人员通过P波极性、频谱特征和矩张量等参数识别地震事件的类型,这种识别方法依赖人工经验且较难实现自动化.本文以东北地区天然地震、爆破以及塌陷事件为例,提取三种事件P波和S波在频率域和时间域的典型物理特征,利用支持向量机(Support Vector Machine-SVM)方法对特征进行训练,对事件进行机器学习分类识别.东北地区事件的分类结果表明,该方法可以有效的完成三分类识别,准确率达到99.2%,爆破、塌陷、天然地震三种类型的F1分数分别为98.99%、97.85%和100%.同时该方法具有较好的泛化能力,基于东北地区的训练模型,甘肃地区塌陷识别准确率为84.9%,内蒙古地区爆破识别准确率为86.6%.本研究显示支持向量机方法在少样本量的地震事件类型多分类中有较好的实际应用前景.

基于决策支持向量机的中文网页分类器

提出了基于决策支持向量机的中文网页分类算法。把支持向量机方法和二叉决策树的基本思想结合起来构成多类别的分类器，用于中文网页分类，从而减少支持向量机分类器训练样本的数量，提高训练效率。实验表明，该方法训练数据规模大大减少，训练效率较高，同时具有较好的精确率和召回率。

基于乘性规则的支持向量域分类器

该文提出了一种基于支持向量域描述 (SVDD)的学习分类器 .在两类样本分类中 ,该算法在训练时通过对1类样本的描述求取包含 1类样本的球形边界 ,然后通过该边界对两类样本数据进行分类 ,并且在求取边界的优化问题中 ,采用乘性规则来直接求取Lagrange乘子 ,而不是用传统的二次优化方法 .该文所获得的学习算法和支持向量机 (SVM)与序列最小优化 (SMO)算法相比 ,不仅降低了样本的采集代价 ,而且在优化速度上有了很大提高 .通过CBCL人脸库的仿真实验 ,将该算法和SVM、SOM算法的实验结果进行对比 ,说明了该学习算法的有效性 .