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。

基于特征加权混合隶属度的模糊孪生支持向量机

模糊孪生支持向量机(FTSVM)忽略了不同特征间的差异,导致核函数或距离的计算无法准确反映样本间的相似性,使FTSVM在处理含有大量不相关或弱相关特征的高维数据分类时,难以达到良好分类效果;且隶属度的设计未有效区分离群点或噪声。针对以上问题,提出了一种基于特征加权混合隶属度的FM-FTSVM。首先计算每个特征的信息增益,并依据信息增益值的大小为特征赋予权重,降低不相关或弱相关特征的作用,使其能更好地应用于高维数据分类;然后,为每一类样本构造一个最小包围球计算基于紧密度的特征加权隶属度,并结合基于距离的特征加权隶属度得到特征加权混合隶属度,综合考虑样本点到类中心的特征加权欧式距离和样本间的紧密程度,可更好识别离群点或噪声数据;最后,融合特征加权核函数,降低不相关特征对核函数或距离计算产生的影响。与对比算法在人工数据集、高维数据集和UCI数据集上进行比较,发现本文提出的方法在区分离群点、噪声和有效样本上有明显优势,且在高维数据集上可获得更好分类效果。

基于递归定量分析与多核学习支持向量机的玻璃纤维增强复合材料缺陷识别技术

为了提高玻璃纤维增强复合材料(Glass Fiber Reinforced Polymer,GFRP)超声检测中缺陷识别技术的准确性,提出基于递归定量分析(Recurrence Quantitative Analysis,RQA)与多核学习支持向量机(MKLSVM)相结合的检测模型,以提高检测GFRP中不同类型缺陷的能力。结果表明,该模型能够准确识别GFRP中的分层缺陷与夹杂缺陷,检测识别率达到92.92%,并且与基于离散小波变换(Discrete Wavelet Transform,DWT)和经验模态分解(Empirical Mode Decomposition,EMD)的MKLSVM检测模型的识别率相比,所提出的检测模型的识别率分别提高了7.5%和3.75%。

融合支持向量机和特征降维方法的人-椅系统振动模型研究

人-椅系统的振动传递特性受人体体征参数、座椅结构、乘坐环境等多种复杂因素影响。在人体振动实验研究的基础上,寻求构建一种基于支持向量机回归的座椅频响函数预测模型,分别采用递归特征消除法和主成分分析法对人体体征参数进行降维,并将低维特征输入预测模型,以实现对人-椅系统频响函数及其正交轴效应的预测。结果显示,相比传统支持向量机回归模型,应用主成分分析法降低体征参数关联,可以显著降低模型预测误差,预测值与实测值拟合度可达92%。通过递归特征消除法剔除次要体征参数,可进一步提升预测精度,预测值与实测值拟合度达94%。研究表明,基于特征降维优化的支持向量机回归预测模型能够有效筛选人体振动模型中输入参数的冗余信息,并提升座椅频响函数的计算效率和预测精度。

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。

一种基于离散度及支持向量机的遥感影像特征提取方法

针对基于离散度的特征选择算法存在无法自动确定特征阈值且无法创造新特征等问题,提出了一种基于离散度及支持向量机的遥感影像特征提取算法。该算法首先对原始特征库进行去相关,然后利用优化的离散度指标进行特征优选,进而利用线性不可分支持向量机模型将特征选择结果提取出具有更好判别特性的新特征,并将决策函数作为特征阈值。利用陕西陇县光伏场地无人机数据进行对比实验,分析结果表明,利用新算法进行分类的总体精度为93.5%,Kappa系数为0.9,相比基于离散度的特征提取算法分别提高7%和0.1,而且在各地物的生产者精度和用户精度方面均有一定提升,是一种更优的分类规则集构建方法。

基于特征向量信息支持向量机的RC框架易损性曲线预测

易损性曲线将结构破坏等级与地震动强度相关联,能够直观地反映结构破坏的概率,但在建立易损性曲线的过程中需要大量的结构非线性时程分析结果,因而计算效率不高。机器学习方法已被证明能较好地解决这一问题,但当训练数据的规模较大时,由于训练过程涉及求解大规模逆矩阵致使计算效率依然低下。为此,本文提出了一种特征向量信息支持向量机(EILS-SVM)的新方法克服此类方法的不足。在大规模数据集下,EILS-SVM能够筛选小规模子样本建立低秩核矩阵。这使得其训练过程只需求解小规模低秩矩阵的逆矩阵,进而极大提高计算效率。为了验证EILS-SVM的准确性和高效性,基于16500个钢筋混凝土(RC)框架在地震作用下的破坏数据,分别与支持向量机(LS-SVM)、随机森林、神经网络、线性判别分析(LDA)、贝叶斯作对比。结果表明,EILS-SVM能准确预测RC框架的易损性曲线,其计算效率最高能提升近27倍。

基于支持向量机DE算法的输变电工程数据特征提取与评估

输变电工程数据繁杂,为提高数据特征提取与评估水平,本文提出基于支持向量机DE算法的模型。通过对支持向量机和DE算法应用原理的了解,明确各自应用特点,采用支持向量机DE算法的综合型方案提取输变电工程数据并做出评估,输入变量采用k-means聚类算法的数据特征子集,在确定SVM核心参数后,通过DE算法进行优化,建立覆盖面广、结果准确的DE-SVM评估模型。结合实例,研究该模型在工程数据预测与评估中的应用效果,结果表明平均误差均在6%以内,精度高,应用效果优于BP神经网络和未优化的SVM算法,可推广基于支持向量机DE算法的DE-SVM模型,准确预测和评估输变电工程数据,为工程造价管控提供依据。

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。

基于多类支持向量机递归特征消除方法特征选择的原发性肝癌患者预后预测

本研究通过特征选择的方法,分析肝癌患者术前临床信息,提高患者的预后模型的准确性。基于多类支持向量机递归特征消除(recursive feature elimination based on multiple support vector machine,MSVM-RFE)方法对进行过肝切除手术的原发性肝癌患者的临床变量进行重要特征排序,使用5折交叉验证的支持向量机确定最优特征子集,构造原发性肝癌患者术后的1年、3年无瘤生存和总体生存的列线图。通过与临床医生沟通,确认特征排序结果为合理的。患者3年无瘤生存风险和总生存风险的列线图的一致性指数分别为0.701和0.706。使用多类支持向量机递归特征消除方法后的预测模型准确率有所提高,列线图在临床实践中能够提供患者生存风险信息,简单清晰的反映患者的生存风险。

基于支持向量机递归特征消除筛选急性心肌梗死相关免疫基因诊断急性心肌梗死的价值

目的基于支持向量机(SVM)递归特征消除(RFE)(SVM-RFE)筛选急性心肌梗死(AMI)相关的关键免疫基因,并探讨其在AMI中的诊断价值。方法通过基因芯片表达数据库(GEO)获取AMI患者基因表达芯片数据集GSE66360。通过SVM-RFE筛选AMI相关的免疫基因,进而用受试者工作特征(ROC)曲线评估其对AMI的诊断价值。结果共得到66个差异免疫基因,基于SVM-RFE最终得到8个免疫基因用于构建SVM分类器,该基因分类器在探索队列(AUC=0.998)和验证队列(AUC=1.00)中都具有极好的预测AMI的能力。通路富集分析特征基因主要参与血管平滑肌细胞增殖的调控及血管动脉硬化等过程。结论本研究识别出8个关键的免疫基因,发现其在AMI诊断中的潜在作用,并将增进对AMI发生的分子机制的了解。

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。

近红外无创血糖浓度的Label Sensitivity算法和支持向量机回归

近红外光谱分析技术在生物医学工程领域具有广阔应用前景。无创且持续性地测量能实时监控人体血糖水平,给糖尿病患者带来极大便利性、提高生存质量、降低糖尿病并发症发生率具有很大的社会效益。无创血糖监测的想法提出较早,但仍然存在预测精度低、预测值与标签值相关性不高等难点,至今没有达到临床要求。近年来,光谱检测技术发展迅猛且机器学习技术在智能信息处理方面具有明显优势,两者结合可以有效提高人体无创血糖医学监测模型的精度和普适性。提出了一种标签敏感度算法(LS),并结合支持向量机方法建立了人体血糖含量预测模型。使用近红外光谱仪采集了4名志愿者食指处动态血液光谱数据(每名志愿者28组数据),并使用多元散射矫正(MSC)方法消除了部分光散射的影响。考虑血糖对不同波长光的吸收有差异,提出了基于血糖浓度标签差的特征波长挑选方法,并构建了标签敏感度支持向量机(LSSVR)预测模型。设计实验,对比该模型与偏最小二乘回归(PLSR)和区分度支持向量机(FSSVR)算法。结果表明,LS算法的最佳特征波长数为32,经特征波长选择后的LSSVR表现最佳,其均方误差降低至0.02 mmol·L^(-1),明显优于全谱段PLSR模型,血糖浓度的预测值与标签值的相关系数提升至99.8%,预测值全部位于可容许误差的克拉克网格A区内。LSSVR模型的优异表现为早日实现血糖的无创监测提供了新思路。

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。

基于路径特征和支持向量机算法的硬件木马检测技术

硬件木马攻击成为当前集成电路(IC)面临的严重威胁。针对硬件木马电路具有隐蔽、不易触发以及数据集不均衡等特点,该文提出对门级网表进行静态分析的硬件木马检测技术。基于电路可测性原理建立涵盖节点扇入数、逻辑门距离、路径数、节点扇出数的硬件木马路径特征,简化特征分析流程;基于提取的路径特征,使用支持向量机(SVM)算法区分电路中的木马节点和正常节点。提出训练集双重加权技术,解决数据集不均衡问题,提升分类器的性能。实验结果表明,分类器可以用于电路中的可疑节点检测,准确率(ACC)达到99.85%;训练集静态加权有效提升分类器性能,准确率(ACC)提升5.58%;与现有文献相比,以36%的特征量,真阳性率(TPR)降低1.07%,真阴性率(TNR)提升2.74%,准确率(ACC)提升2.92%。该文验证了路径特征和SVM算法在硬件木马检测中的有效性,明确了数据集均衡性与检测性能的关系。

改进的多类支持向量机递归特征消除在癌症多分类中的应用

为处理癌症多分类问题,已经提出了多类支持向量机递归特征消除(MSVM-RFE)方法,但该方法考虑的是所有子分类器的权重融合,忽略了各子分类器自身挑选特征的能力。为提高多分类问题的识别率,提出了一种改进的多类支持向量机递归特征消除(MMSVM-RFE)方法。所提方法利用一对多策略把多类问题化解为多个两类问题,每个两类问题均采用支持向量机递归特征消除来逐渐剔除掉冗余特征,得到一个特征子集;然后将得到的多个特征子集合并得到最终的特征子集;最后用SVM分类器对获得的特征子集进行建模。在3个基因数据集上的实验结果表明,改进的算法整体识别率提高了大约2%,单个类别的精度有大幅度提升甚至100%。与随机森林、k近邻分类器以及主成分分析(PCA)降维方法的比较均验证了所提算法的优势。

基于自动编码器和支持向量机的飞机机动智能识别方法

飞机机动动作识别是空战意图识别和智能决策的基础。针对传统机动动作识别方法存在的高维数据分析和特征提取能力不足、识别准确率不高的问题,考虑到机动数据的高维性、时序性的特点,提出基于正则化自动编码器-支持向量机(RAE-SVM)的飞机机动动作识别方法。依据机动动作数据变化规律和专家经验知识,构建了基于时间段数据特征的机动动作样本库;将无监督的自动编码器神经网络强大的特征提取能力和有监督的支持向量机优异的分类性能相结合,构建基于RAE-SVM的机动识别模型,采用机动动作样本库训练模型;通过引入正则化提高了RAE网络的泛化性能和预测准确率;最后与多种现有方法进行准确性与实时性对比,并选取空战机动动作数据进行实例验证。结果表明:所提方法识别准确率为92.75%,对一组机动数据识别仅需2 ms,满足实时性要求。因此,该方法可以快速准确地进行飞机机动动作识别,具有一定实用价值。

基于支持向量机算法的谐波减速器声学共振快速检测方法

谐波减速器的装配误差异常质量检测是制造商交货前的重要流程。该检测重点关注异常评估,可以减少因产品召回而造成的经济损失,进一步保护用户的利益和制造商的声誉。声音信号为声学共振测试提供了简单非接触式测量的基础,并且有助于工厂在谐波减速器交货前进行快速测试。该文提出了一种声音数据采集、特征提取和分析的试验方法。利用谐波减速器的锤击激励,获得了异常和正常谐波减速器的声学数据集。提取了声音信号的时域和频域特征,比较了支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、K-means这三种分类算法。结果表明,SVM在测试集上的准确率为98.0%,RF的准确率为95.0%,K-means的准确率仅为53.0%。SVM分类器的准确率、召回率和F1分数都很高。基于SVM谐波减速器质量检测模型,利用NI数据采集卡和Labview软件,设计了谐波减速器快速检测软件,可用于厂家谐波减速器出厂前检测。