基于声音特征优化和改进支持向量机的鸟声识别

为了在低参数量下提高鸟鸣声的识别准确率,提出了一种新的鸟声识别方法,包括鸟声信号特征优化和乌鸦搜索-支持向量机(Support Vector Machine,SVM)分类识别。该方法首先采用主成分分析法对从鸟声中提取的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)和翻转梅尔频率倒谱系数进行选择,得到优化后的声音特征参数并将其作为鸟声识别算法的输入;然后利用乌鸦搜索算法对SVM的核参数和损失值进行选优,得到改进的SVM网络用于鸟声分类识别。试验结果表明,该方法对5种鸟声识别的准确率为92.2%,声音特征维数在16时可以得到最好的识别效果。该方法为野外鸟声自动识别提供了一种可行的方式。

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。

基于支持向量机的人体异常步态特征识别方法研究

人体异常步态特征识别可分析个体的行走姿势和模式,推算身份信息及人体潜在的健康问题。基于此,文章系统阐述基于支持向量机(Support Vector Machine,SVM)的人体异常步态特征识别方法,分析SVM在处理步态数据方面的技术优势和实现过程,开展CASIA-B和OUMVLP数据集的测试实验,验证该方法在步态识别上的准确性比传统反向传播(Back Propagation,BP)神经网络更高,为复杂行为识别研究提供了新视角。

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。

基于多特征融合多核学习支持向量机的液压泵故障识别方法

提出基于多特征融合多核学习支持向量机的液压泵故障识别方法。该方法首先对原始信号进行集总经验模态分解,然后分别用AR模型和奇异值分解两种特征提取方法提取故障特征,最后将不同类型的特征分别用相应的核函数进行映射,用多核学习支持向量机来识别液压泵的工作状态和故障类型。实验结果表明该方法显著地提高了故障诊断的准确性。

基于猎人-猎物优化支持向量机的光伏阵列故障识别研究

为提升光伏电站的运行效率,对光伏阵列的故障识别方法展开了深入研究,并建立基于猎人-猎物优化支持向量机(HPO-SVM)的故障识别方法。该方法以光伏阵列模型的5个参数作为故障特征向量对光伏阵列的故障进行识别,基于仿真数据和实验数据评估该方法的有效性和可靠性。在基于仿真数据进行故障识别时,HPO-SVM的识别准确率达到了99.5556%,十折交叉验证的平均准确率为98.2641%。与支持向量机(SVM)相比,HPO-SVM的准确率分别提高了8.4445%和8.6086%。在基于实验数据进行故障识别时,HPO-SVM的识别准确率达到了98.0645%,十折交叉验证的平均准确率为94.2995%。相较于SVM,HPO-SVM的准确率分别提高了7.7419%和4.5702%。结果表明,HPO-SVM对光伏阵列的故障识别具有较高的准确度、可靠性,并具有良好的泛化性能。

基于特征优化和支持向量机的航空发动机气路故障诊断

针对现有数据驱动的航空发动机故障诊断算法易受飞行监控数据中冗余特征及噪声的干扰,不能及时修正监测数据中不平衡样本分布对模型泛化性能影响等问题,通过在支持向量机模型中引入特征增维和采用提取算法,提出基于特征优化和支持向量机的航空发动机气路故障诊断方法,并建立相应模型。将涡桨发动机及CFM56-7B发动机航后数据输入模型,分析与预测实际故障发生时刻,并将预测结果与真实结果进行比较,同时将其结果与采用随机森林等4种故障诊断方法所得结果进行对比验证。结果表明:特征优化算法的应用能显著缩短各类故障诊断方法运行时间20%以上;基于特征优化和支持向量机的故障诊断方法使预测准确率达99.8%;针对非平衡实测数据,特征优化算法和回归预测思想的引入能显著提高算法在不平衡数据集上的性能,与非回归算法相比故障检测率提高到91.67%。

基于支持向量机的多维特征滚动轴承故障诊断

对于轴承诊断的研究方法,常用的是对滚动轴承振动信号的特征提取,且单一维度信号特征提取诊断精度不高,着眼于该痛点,在多特征融合的基础上整合支持向量机(SVM)对滚动轴承进行故障诊断。方法首先对滚动轴承产生的内圈、外圈及滚动元件振动信号进行小波降噪和特征提取,筛选合适的小波基函数,继而从降噪后的振动信号中将时域、频域,以及基于集合经验模态分解方法的IMF能量特征提取,从多种维度将振动信号特征作为提取目标,避免了传统方法的信号失真及模态混叠等无效现象,并最终运用支持向量机(SVM)判别模型对整合后的特征信号进行故障诊断,诊断结果表明,相较于传统的特征提取及分类判别方法,支持向量机(SVM)依赖多维多域的融合特征集下的滚动轴承故障诊断准确率达到100%,具有很好的分类能力。

基于支持向量机的纹理特征识别方法研究

触觉能力是使人类能够与外界环境进行交互的一项非常重要的能力,为了模仿该能力并且使其能够应用在仿生学研究中,本文采用薄膜式压力传感器,搭建了并列式触觉传感阵列,使用多通路信号采集方法,研究薄膜式触觉传感器在接触不同麻将牌面时的纹理识别情况。在此基础上,本文基于Labview编写了薄膜触觉传感器的多通路数据采集程序,通过对所采集的数据进行拟合处理,验证了以麻将牌面为对象的特征分类识别方法。最后,采用支持向量机分类算法,以实验平台采集的数据为训练样本,建立了特征分类模型和特征识别模型,并对不同核函数对模型的性能影响进行了探究。

基于多级支持向量机的配电网故障识别方法

构建了母线电压和主变低压侧电流波形的时频矩阵,并应用奇异值分解(SVD)技术提取波形的奇异谱,进而获得表示奇异值大小的奇异谱均值和描述信号复杂度的奇异熵等关键参数作为特征向量。通过仿真和实际测试,验证了该方法在各种典型条件下的识别精度均超过90%,证明了它在识别各种故障类型方面的有效性、适应性和实用性。

基于改进支持向量机的配电电力变压器内部过热故障识别方法

为降低配电电力变压器内部过热故障识别误差较大的问题,提出基于改进支持向量机的配电电力变压器内部过热故障识别方法。该方法针对变压器内部过热故障展开分析,并基于分析结果,进行特征量的选择和归一化处理,以消除气体体积分值存在的差异,为确保后续识别结果的准确性奠定基础。然后通过跨子群交流策略和最优群体自变异策略改进蛙跳算法。最终基于改进后的混合蛙跳算法来进行实现支持向量机的改进,完成配电电力变压器内部过热故障识别。测试结果表示,采用所提方法进行配电电力变压器内部过热故障识别,其识别确率始终在95%以上,具有较强的应用性。

基于最优特征训练支持向量机的MMC-HVDC输电线路故障检测方法

准确辨识MMC-HVDC系统的线路故障类型对于快速恢复故障线路正常运行有着重要的意义,但高阻接地故障一直是识别的难点。为此,提出了一种基于支持向量机的故障类型检测方法。该方法利用经验模态分解提取故障电压信号中的若干个高频模态量,通过粒子群优化算法寻找各个模态量的最优权值后重构波形信号作为特征样本训练分类模型。仿真结果验证,利用优化样本训练出的分类模型可以在低采样频率和较少故障波形采样点的情况下完成对不同类型故障的准确识别。

基于GA-VMD分解与支持向量机的刀具故障诊断研究

目的 研究非平稳性振动信号的分解方法,提出一种基于遗传算法优化后的变分模态分解方法(GA-VMD),提高刀具故障识别准确率。方法 以样本熵为目标函数值,利用遗传算法对样本熵进行迭代计算,得到变分模态分解的最佳分解层数k和惩罚系数α;在此基础上,对刀具振动信号进行分解,并提取刀具故障特征,再利用近邻成分分析(NCA)对故障特征进行筛选,得到与刀具故障状态相关性较强的特征;最后将筛选后的故障特征输入到PSO-SVM分类模型中进行刀具故障诊断。结果 相较于PSO-VMD分解方法,在相同迭代次数下,GA-VMD分解方法对于刀具故障分类的准确率由92%提升至97%。结论 优化后的VMD分解方法降噪效果明显,能提取较好的刀具故障特征,刀具故障识别准确率有了明显提高,为信号分解层数以及刀具故障诊断提供了理论基础。

基于支持向量机的小型变电站智能火灾识别方法

针对小型变电站火灾识别不及时、智能化程度不高的问题,提出一种基于支持向量机的小型变电站智能火灾识别方法。结合小型变电站当前的消防现状,构建智能火灾识别系统框架,通过视频监控以及传感器采集小型变电站现场实时数据,并基于电力物联网进行数据传输以及图像特征分析,利用支持向量机进行分类以对火焰的综合特征进行判断。经过实验分析,小型变电站智能火灾识别系统识别率显著提高,对火焰图像的判别准确,能够有效识别小型变电站火灾风险。

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。

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。

利用多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法

提出一种基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法,可准确将本侧区外故障、区内故障以及对侧区外故障区分开。进行小波多尺度分解,求得各层的奇异谱熵,将每层的奇异谱熵组成一个特征向量,特征向量分成训练集和测试集,将训练集进行训练得到支持向量机(support vector machines,SVM)分类器的参数,用测试集进行测试,预测结果就是对不同位置故障的分类。大量仿真验证表明:基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法能可靠识别本侧区外故障、区内故障和对侧区外故障。

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.

基于LCD-Hilbert谱奇异值和多级支持向量机的配电网故障识别方法

准确识别故障类型是配电网故障处理的首要任务。提出了一种基于时频矩阵奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障识别方法。利用局部特征尺度分解法(LCD)、Hilbert变换以及带通滤波算法,构造配电网母线电压、主变低压侧进线电流等波形的时频矩阵,对其进行奇异值分解以获取波形奇异谱,提取相应奇异谱的分布参数(如反映奇异值大小的奇异谱均值、反映信号复杂程度的奇异熵等)作为特征向量。将特征向量输入基于多级SVM的分类器以实现故障识别。各类典型工况下的仿真和实验结果表明该识别方法的正确率均>90%,可实现对各类不同故障的有效辨识,且具有很强的适应性和实用性。

基于分形特征的最小二乘支持向量机局部放电模式识别

为了提高局部放电模式识别的正确率,提出了一种基于最小二乘支持向量机(LS-SVM)的局部放电模式识别的方法。应用分形理论,同时结合小波包分析技术,计算各个频段信号的分形维数,把各频段局放信号的分形维数的倒数输入到多分类最小二乘支持向量机中进行训练,实现对放电样本的分类。结果表明,分形特征浓缩了局部放电信号的信息,有效地解决了模型参数选择耗时巨大的问题。该方法在有限样本情况下能够达到较高的识别率,具有良好的应用价值。