基于支持向量机与特征降维的直流断路器机械故障诊断技术研究

直流断路器机械故障诊断算法是直流断路器机械状态在线监测系统的核心部分。文中进行了直流断路器机械故障模拟实验,采集不同故障下的线圈电流及振动信号,对其进行特征提取后,将电流特征、振动短时能量特征、小波包频带能量特征排列组合,利用支持向量机构建故障诊断模型。文中使用主成分分析法及Relief⁃F算法对不同特征组合降维,进一步分析特征组合降维后的诊断效果,并通过K⁃Fold交叉验证算法评估单一特征和特征组合训练输出的诊断模型选取分类性能最优的诊断模型。

基于优化多维支持向量机回归模型的土体参数反演

针对如何有效提高位移监测数据反演土体参数精度的问题,提出一种基于麻雀搜索算法优化多维支持向量机回归模型的土体参数反演方法。依托黄土区超深路堑边坡工程项目,采用有限差分软件FLAC3D建立边坡二维模型,并利用正交试验进行土体参数的多因素敏感性分析以确定待反演参数。然后建立符合实际开挖情况的边坡三维开挖模型,计算不同反演参数下的模拟位移值以获得训练数据。利用麻雀搜索算法获得多维支持向量机回归模型的最优参数从而构建SSA-MSVR模型,使用训练数据训练优化模型。最后,将实际监测位移代入训练好的模型求得土体最优反演参数并分析验证反演参数的正确性。结果表明:影响边坡稳定性系数的土体参数敏感性排序前4位为老黄土的内摩擦角、红黏土的内摩擦角、老黄土的黏聚力和老黄土的弹性模量,确定了这4个参数为待反演参数;超深路堑边坡开挖完成后,边坡顶部产生沉降位移,而底部出现卸荷回弹现象;利用反演参数计算的位移模拟值与实际监测值相对误差均小于10%,证明SSA-MSVR模型应用于土体参数反演效果较好,为参数反演提供了新的思路和方法。

基于支持向量机的网格化电网负荷预测算法设计

针对电网负荷预测算法预测能力较差、效率偏低的问题,文中提出了一种PCA-PSO-SVM算法。其在经典粒子群算法的基础上引入主元分析法,使模型具有降低数据维度及算法冗余度的特性。同时通过改进的PCA-PSO算法对SVM模型的内置参数进行最优选取,从而使改进后的SVM模型具有最佳的分类性能。在实验测试中,采用PCA算法选取了91%贡献度内的6项数据特征进行样本数据训练。结果表明,相较于其他对比算法,该文算法预测结果的RMSE、MAE与MAPE误差值均为最小,证明其可对网格化电网负荷加以预测。此外,该算法还能提升传统算法的准确度,为电力负荷分配提供有力支持。

线性降维结合支持向量机的签字笔墨迹鉴别研究

利用高光谱成像技术,共采集了10种黑色签字笔墨水在400nm~1000nm范围内的469条光谱用于建模和预测分析。建模分析结果表明:直接基于降维方法如线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)和核偏最小二乘判别分析(kPLS-DA)的分类模型在数据集中表现不佳,预测集分类准确率分别为79.88%、79.29%和79.88%。支持向量机(SVM)和一维卷积神经网络(1D-CNN)算法建立的分类模型能够将分类准确率分别提升至83.43%和88.16%;基于偏最小二乘判别分析(PLS-DA)和线性判别分析(LDA)先进行降维,再与SVM结合形成的PLS-SVM和LDA-SVM策略,比单独使用PLS-DA、LDA和SVM所建立的模型具有更高的分类准确率;将偏最小二乘判别分析(PLS-DA)、LDA和主成分分析(PCA)降维后的数据进行合并,再建立SVM模型能够将分类准确率提升至最高的91.72%,其预测结果的Cohen's KAPPA系数也能够达到0.9075。对此,利用先线性降维再结合SVM建立分类模型的方法是几种分类方法中的最优策略,能够对不同品牌和类型的黑色签字笔的快速、准确的鉴别,为笔迹检验、变造文件检验提供了一种科学、准确和无损的检验方法。

高维支持向量机的一些新发展

对高维支持向量机(SVM)的一些新发展如非凸惩罚SVM,L_(1)范数SVM的误差界以及SVM在充分性降维中的应用进行了介绍;通过数值模拟和实例分析,展示了这些新方法在有限样本时的表现;讨论了一些可能的方向和问题.

VC维期望上界最小化的最小二乘支持向量机

机器学习是现代计算机技术中比较重要的一个方面,而其中的支持向量机方法也因其良好的性能近年来得到了广泛关注,被应用于各行各业当中。而支持向量机的性能可以用VC维来衡量,VC维是衡量机器复杂性的一种指标,理论上来说,低VC维可以得到很好的泛化。但是,对于以传统支持向量机为基础的一些分类器方法来说,VC维在处理各种各样的数据时,支持向量机的VC维的上界可能是无穷的。尽管在实践与应用中得到了很好的结果,但并不能保证很好的泛化,导致对于一些特殊的数据取得的效果不好。因此,提出了一种改进LSSVM的算法,以LSSVM算法为基础,将VC维上界最小化并找到其期望的最佳投影方案,最后带入到LSSVM算法中来对数据进行分类。实验结果表明,在所采用的基准数据集上,该分类器的错误率低于传统最小二乘支持向量机,这意味着,所提出的算法以近似的支持向量个数使得测试精度优于比较算法,提高了算法的泛化能力。

基于支持向量机和盒维数的滚动轴承状态预测

针对轴承在运行过程中状态难以预测的问题,提出一种基于最小二乘支持向量机(LSSVM)结合分形盒维数的方法预测滚动轴承状态。首先,分析滚动轴承在正常和三种故障状态下的盒维数和峭度值;然后,分析盒维数和峭度值对轴承运行状态的描述;最后,借助改进LSSVM预测轴承信号的盒维数和峭度值。实验结果表明,分形盒维数能对正常状态、内外圈及滚动体故障进行区分,结合峭度值能提高分类识别效果,改进的LSSVM方法能准确地预测特征参数,从而实现对轴承状态的预测。

基于支持向量机的钛合金表面粗糙度预测分析

为了准确预测钛合金丝材的表面粗糙度,设计了无心车床切削TC4钛合金丝材试验,对不同切削参数下无心车床的前导向机构、主轴机构、后导向机构的8通道振动参数进行测量,采用皮尔逊相关系数对测量点振动参数进行特征选择和特征降维,建立支持向量机(SVM)的表面粗糙度预测模型。在不同的主轴转速、进给速度等工艺参数下,得到SVM预测模型的表面粗糙度的预测精度:RMSE为0.0268,MAPE为0.0403,R^(2)为0.8274,基于SVM模型预测钛合金线材的表面粗糙度具有较好的精度,验证了模型的有效性。

基于分形维数和支持向量机的串联电弧故障诊断方法

电弧故障是引起电气火灾的重要原因之一。针对串联电弧故障随机性、多样性和隐蔽性等带来的诊断难题,为提高故障诊断率,设计了一种新的串联电弧故障诊断方法。借助高频电流传感器和高速数据采集系统采集串联电弧故障电流,通过分形维数定量衡量高频电流信号的混沌特性,以便提取串联电弧故障的特征信息,以盒维数和关联维数构造串联电弧故障的特征向量,采用最小二乘支持向量机对电流信号的特征向量进行分类,实现了线路正常与串联电弧故障状态的正确区分。运用所建立的实验平台验证了整个诊断方法的有效性,实验结果表明,串联电弧故障诊断率达到98%以上,所设计的诊断方法具有良好的泛化能力。

基于多维支持向量机的P2P网络流量识别模型

提出一种多维支持向量机(MSVM)训练方法,并建立了一种基于多维支持向量机的P2P网络流量识别模型。该模型利用多维支持向量机作为分类器来识别P2P流量,各种网络流量经过数据捕获模块、特征提取模块、数据预处理模块以及MSVM训练模块将网络流量分类成P2P流量和Non-P2P流量,再经过组建的MSVM支持向量库识别出具体的P2P流量和未知P2P。未知的P2P流量经过数据采集模块、特征提取模块、数据预处理模块以及MSVM训练模块将其特征数据加入MSVM支持向量库,以便将来识别P2P流量。理论分析与数值实验表明,该模型具有较好的实验结果和所期望的识别精确度。

支持向量机向量维数对短期风电功率预测精度的影响

为了提高短期风电功率的预测精度,采用支持向量机回归方法,以10min采样间隔的实测风速和温度序列为输入数据,针对连续19天的历史数据按每隔5h进行一次预测,每次采用一天144组风速、温度数据进行训练。实验分别选取了10min、30min和1h的预测时间尺度,得到不同向量维数下预测结果的均方误差、均方百分比误差、平均绝对误差、平均绝对百分比误差以及相关系数。结果表明,对于特定的预测对象,支持向量机向量维数具有一个使预测精度最高、误差最小的最优值;对于不同的预测时间尺度,向量维数的最优值一般不同。

基于参量化二维相关红外谱和最小二乘支持向量机判别掺杂牛奶

将参量化二维相关谱方法与最小二乘向量机结合起来,建立一种新的掺杂牛奶判别方法.采集48个合格纯牛奶样品,并分别配置浓度范围0.01~0.3g/L的掺杂尿素牛奶、掺杂三聚氰胺牛奶和掺杂四环素牛奶各16个.在研究纯牛奶和掺杂牛奶二维相关红外同步谱特性的基础上,提取并计算了各样品相关同步谱的6个统计特征参量.将处理后的6个特征参量输入最小二乘支持向量机,建立掺杂牛奶与纯牛奶的判别模型,该模型对未知样品的判别正确率为90.6%.结果表明:参量化二维相关谱和最小二乘支持向量机为快速判别牛奶是否掺杂提供了一种新的可能的方法.

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.

基于主成分分析的海鸥优化支持向量机变压器故障诊断

针对支持向量机对变压器进行故障诊断时准确率较低的问题,提出一种海鸥算法优化支持向量机的方法。首先增加不同的气体分数比值特征,扩充变压器故障数据所包含的信息特征,然后采用主成分分析法(PCA)提取输入变量特征,降低特征变量的维数,降低变量之间的相关性,最后用海鸥优化算法(SOA)对支持向量机的核参数和惩罚因子进行优化,提高支持向量机建模准确度。仿真结果表明,与粒子群(PSO)、遗传算法(GA)相比,海鸥优化算法优化支持向量机(SOA-SVM)可以明显提高变压器故障诊断的准确率,并且可靠性和泛化性能表现也有提高。

基于支持向量机的害虫多维时间序列预测

针对害虫发生数据高度非线性特点导致传统方法预测准确率低的难题,提出一种基于支持向量机(SVM)的多变量自回归(CAR)的害虫时间预测方法(SVM_CAR)。SVM_CAR首先利用SVM以留一法的MSE最小化原则进行时间序列非线性定阶;然后用SVM对害虫发生的影响因子进行非线性筛选,并同时通过强制汰选给出各保留因子对预测结果的相对重要性;最后建立基于保留对预测结果影响较大因子的SVM_CAR预测模型。以大豆食心虫虫食率与晚稻第5代褐飞虱发生量两个实例数据集进行验证性实验,SVR-CAR比五种参比模型的预测精度都要高,实验结果表明,SVM_CAR更能反映害虫发生时间序列样本集的非线性动态规律,在害虫预测中有着广泛的应用前景。

基于支持向量机的天然气组成多维光谱定量分析方法

针对天然气中甲烷、乙烷、丙烷、正丁烷、异丁烷等气体的特征吸收谱线严重重叠的问题,将支持向量机(SVM)用于天然气组成多维光谱分析中,提出了一种新的基于多维光谱的天然气组成定量分析方法。利用SVM核函数变换,将天然气的多维光谱数据进行高维空间变换后求得SVM回归函数,得出天然气组成。实验结果表明,该方法的检验组成最大偏差为2.28%,与传统的方法相比,具有分析速度快、可实时在线分析、不限制光谱数据维数等优点,具有重要的理论和应用价值。

基于模糊支持向量机的输电线路故障模糊分类方法及其降维显示

针对已有输电线路故障分类方法在样本中存在噪声时准确率有所降低情况,研究了基于Hilbert-Huang变换和模糊支持向量机(fuzzy support vector machines,FSVM)的输电线故障模糊分类方法,以提高输电线路故障分类的准确率。采用HHT变换获得故障时刻,提取故障后A、B、C三相及零序电流的特征能量函数值,组成FSVM的4维输入向量。利用网格优化方法对FSVM二分类器的惩罚参数C、核函数宽度σ进行优化。构造了FSVM的高维空间带状分段隶属度函数,求取样本的模糊决策函数值。构造多FSVM分类器。将故障时刻后特征向量送入多FSVM分类器,得到样本的故障分类初始标签。构造支持向量回归机(support vector regression,SVR),优化获得测试样本的最终故障隶属度,再对FSVM的分类标签进行修正。研究采用主成分分析法对样本高保真的降维处理方法、在3维坐标系中显示降维后3维向量及其故障模糊分类结果。为了测试算法,做了784组仿真实验,实验结果表明:FSVM+SVR的输电线路模糊故障分类方法不受故障点、故障类型、过渡电阻影响,故障识别率达到99.4%。在训练集1/5故障数据中加入5 d B Gauss白噪声,故障识别率仍保持不变。研究表明基于模糊支持向量机的分类方法适用于线路故障分类。

基于支持向量机的雷达一维距离像识别

本文利用三类常用的核构造的支持向量机来对雷达目标一维距离像识别,得到了较高的识别率,通过改进支持向量机的核能较大程度减少训练时间,也能使支持向量的个数显著减少,同时具有较高的识别率。

基于多维光谱的多组分混合气体浓度支持向量机算法

针对多组分混合气体特征吸收光谱重叠严重的难点,提出一种新的基于多维光谱的多组分混合气体浓度支持向量机定量分析算法。算法采用核函数变换的方式,将重叠严重和非线性的光谱数据进行高维空间变换后再计算各组分气体浓度。将算法用于天然气各组分气体浓度的定量分析中,实验结果表明,算法的检验准确率和效率均显著优于其它多组分混合气体浓度定量分析算法。

关于支持向量机VC维问题证明的研究

支持向量机是基于统计学习理论的新一代学习机器,本文主要阐述了支持向量机中关于VC维的理论,并就一类函数集的VC维的大小给出理论上的证明。