支持向量机网络在船舶电力推进系统状态评估中的研究

船舶电力推进系统状态评估是状态检修的前提和基础,建立合适的舰船电力推进系统状态评估流程与模型,并开发出可行的评估系统是舰船状态评估的必须步骤。本文在对船舶电力推进系统的状态评估方法进行概述和分类的基础上,提出船舶电力推进系统状态评估流程、基于支持向量机网络的船舶电力推进系统状态评估模型和具体的评估步骤。

小生境粒子群支持向量机的网络故障诊断

针对支持向量机(SVM)在网络故障诊断中应用存在的参数设置和诊断模型复杂的问题,提出一种基于小生境粒子群优化的SVM解决方案。算法在进行参数寻优的同时考虑支持向量个数,实现对诊断模型复杂度的优化,并采用小生境粒子群算法进行求解,提高算法跳出局部最优的能力。在DARPA数据集上的实验表明本文提出的方法能够有效提高诊断模型的泛化性和诊断速度。

采用神经网络和支持向量机预测啤酒中乙酸含量

啤酒中的乙酸大多是酵母在发酵过程中产生的。乙酸含量对啤酒风味的影响显著，尤其是含量高于闽值时。因此，控制乙酸的含量对保证啤酒风味一致性非常重要。在本项研究中，采用人工神经网络和支持向量机（SVM）来预测啤酒发酵结束时的乙酸含量。啤酒发酵过程参数和啤酒中乙酸含量之间的关系采用偏最小二乘（PLS）回归法、反向传播神经网络（BP—NN）、径向基函数神经网络（RBF—NN）和最小二乘支持向量机（LS-SVM）进行建模。本研究中所使用的数据来自同一品牌啤酒的146个生产批次。LS—SVM和RBF预测乙酸含量要优于RBP—NN和PLS。对比RBF—NN和LS—SVM，RBF—NN构建的模型可靠性更好，但预测的准确性要低一些。SVM有较好的泛化性，但是模型的可靠性较低。总之，在这项研究中，预测大生产啤酒发酵中的乙酸含量时，LS-SVM模型要优于RBF。

基于支持向量机的网络入侵检测算法综述

在如今的互联网时代,网络安全备受关注,诸多学者为了提高网络入侵检测系统的正确率,增强检测模型的泛化能力,不断提出各种网络入侵检测的模型进行实验。为了方便各学者更快、更深入的了解网络入侵的现状及大量的网络入侵检测算法模型,本文研究了近几年有关网络入侵检测论文的实验成果,为学者们介绍论文中实验步骤的概括及检测方法模型的优缺点,使学者们快捷的了解到某种检测方法模型的要领,从而进行更深入的研究。

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。

基于支持向量机的虹膜图像实时预评估算法

实际的虹膜识别系统会遇到因为各种原因产生的不同类型的坏样本图像,如果它们进入系统的识别进程,常常会增加系统的注册失败率,也会导致定位或者识别的错误。而现有的图像质量评估方法是在完成虹膜定位或者粗定位之后,根据虹膜部分的清晰度和分辨率来判定是否为坏样本。因此实际上只能处理部分类型的坏样本,而且计算耗费大。详细分析了坏样本产生的原因和特点,提出了一种基于支持向量机联合评估网络的实时预评估方法,在定位或粗定位开始之前,检测暂时存储的样本图像,根据预评估网络的输出结果来决定是进入下一步处理还是重新采集。结果表明,该方法可以检测出大部分类型的坏样本,检测速度快,而且检测的错误率相当低,能够满足实时虹膜识别系统的评估实时性和准确性的要求。

基于SVM-BP混合网络的输电线路安全评价模型研究

为了能够科学、客观地评价输电线路安全状态,提出了基于SVM-BP混合网络的输电线路安全分析模型。首先,对天气数据、输电线路标准文件和缺陷数据等进行处理和分析,利用关联规则和主成分分析法对输电线路缺陷数据进行整合,建立输电线路安全状态评价体系;然后,提出了SVM-BP混合网络模型挖掘各因素与缺陷状态间的关联,评价输电线路的安全状态;最后,以某地区输电线路为数据集进行验证,该评价模型的准确率达到97.4%,可以快速准确地评价输电的安全状态,并在灾害性天气下提前做好应对措施,保证输电线路的稳定运行。

基于改进机器学习的人体行为识别方法研究

针对人体行为识别领域传统方法特征提取复杂、分类准确率低的问题,提出了一种基于深度置信网络-支持向量机(DBN-SVM)的行为识别模型。首先,为了更好地捕捉用户行为的周期性变化,引入滤波器对行为信号进行降噪、滤波和加窗分段处理;其次,提出了DBN-SVM模型,将预处理得到的行为时频信号作为模型的可视层输入,通过DBN自动提取行为数据特征,结合SVM实现行为的分类识别。最后,实验中将该模型应用于多个行为数据集,并与传统的机器学习方法进行对比,结果表明,该方法的行为识别结果较传统的机器学习方法效率提升了4%~15%,可以更精准地实现活动分类,提高行为识别性能。

基于形态学小波理论和SVM神经网络的人脸识别

主要研究了快速识别人脸的基本算法,它包括人脸检测和人脸识别两部分.人脸检测部分利用肤色电平的聚类特性和形态学处理检测出准人脸图像,再利用小波特征提取出特征进行人脸认证.人脸识别部分采用支持向量机(SVM)神经网络进行人脸识别.支持向量机神经网络对二类判别具有很强的识别能力.对于N类判别需连续使用N次.该方法识别速度快,且不受发型、头饰、眼镜等的影响.仿真证明了该方法的有效性.

基于SVM的改进RBF网络板形模式识别方法

为了提高带钢生产中板形模式识别精度,提出了基于支持向量机(SVM)的改进径向基(RBF)网络板形模式识别方法,由SVM回归确定RBF网络优化的初始参数,解决了传统方法存在的学习时间长、易陷入局部极小值等问题。此外,分别将输入样本与一对互反的基本模式间的模糊距离之差作为RBF网络的三个输入,使输入节点减少一半,进一步简化了网络模型。实验表明,该方法有效地提高了模式识别精度和速度,可推广到其他具有两两互反性基本模式的模式识别系统中。

基于暂态时-频特征差异的配电网高阻接地故障识别方法

高阻接地故障发生时,故障特征微弱,传统故障识别方法存在特征提取困难、阈值选取灵活性较差的技术瓶颈,导致极端故障场景下出现漏判。为此,提出基于暂态时-频特征差异的配电网高阻接地故障识别方法。首先,结合小波包香农熵量化分析高阻接地故障与正常扰动工况暂态信号的时频分布,发现二者存在显著差异:频域上,扰动工况信号的能量集中于低频,而高阻故障信号能量分布相对均匀;时域上,扰动工况信号能量集中于时间窗的前半段,高阻故障信号能量在整个时间窗内均匀分布。在此基础上,以暂态信号时-频域波形作为输入样本,将传统卷积神经网络(convolutional neural networks,CNN)模型中的softmax分类器改进为支持向量机(support vector machine,SVM)分类器,构建适应配电网高阻接地故障识别小样本场景下的CNN-SVM复合分类模型,以卷积层作为特征提取器,以SVM作为分类器,实现高阻接地故障识别。最后,为论证所提方法具有强适应性的内在原因,利用LIME可解释性分析算法可视化展现模型训练过程中的高关注度区域,从模型分类原理层面证明所提方法不受各种故障条件的影响,克服了传统故障识别方法在极端故障场景下出现漏判的缺陷,能准确识别配电线路末端10 kΩ高阻接地故障。

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。

发酵过程中生物量浓度的在线估计

在发酵过程中,像生物量浓度等变量都是进行实验室的离线采样分析,这往往由于存在较大的时间延迟而不能及时地进行过程控制,达不到指导生产的目的.而软测量技术为该问题提出了一个很好的解决办法.基于神经网络与最小二乘支持向量机分别建立了生物量浓度的在线检测软测量模型.模型分为两类:黑箱模型与混合模型.模型的训练与验证数据都是取自真实的实验过程诺西肽发酵.结果表明软测量方法对生物量浓度具有很好的预估性能,而且加入先验知识的混合模型精度更高.

基于DBN-SVM的航班延误内在模式分析

空中交通系统作为典型复杂系统,其非线性聚合的动力学特征给延误预测带来挑战,使延误预测问题保持着开放性。对于航班延误这类考虑多因素的问题,研究采用深度置信网络支持向量机(DBN SVM)回归方法建立航班延误预测模型,方法用来挖掘航班延误的内在模式,将支持向量回归嵌入到开发的模型中,使其能够在提出的预测体系结构中执行有监督的微调,并将交通管理措施(TMI)中一些关键影响因素,作为高斯伯努利(GBRBM)的隐藏层,作为模型的下一个可见层,将TMI关键因素添加至模型中,有助于减少整体延迟。对于测试集的不平衡高维数据集,研究将采用准确性,敏感性来评估因变量和解释变量之间的关系,最后数据表明DBN SVM模型的延误预测准确度达到89.39%,可为流量管理自动化计算提供一定理论依据。

基于CNN-SVM性别组合分类的单通道语音分离

实际语音分离时,混合语音的说话人性别组合相关信息往往是未知的。若直接在普适的模型上进行分离,语音分离效果欠佳。为了更好地进行语音分离,本文提出一种基于卷积神经网络-支持向量机(CNN-SVM)的性别组合判别模型,来确定混合语音的两个说话人是男-男、男-女还是女-女组合,以便选用相应性别组合的分离模型进行语音分离。为了弥补传统单一特征表征性别组合信息不足的问题,本文提出一种挖掘深度融合特征的策略,使分类特征包含更多性别组合类别的信息。本文的基于CNN-SVM性别组合分类的单通道语音分离方法,首先使用卷积神经网络挖掘梅尔频率倒谱系数和滤波器组特征的深度特征,融合这两种深度特征作为性别组合的分类特征,然后利用支持向量机对混合语音性别组合进行识别,最后选择对应性别组合的深度神经网络/卷积神经网络(DNN/CNN)模型进行语音分离。实验结果表明,与传统的单一特征相比,本文所提的深度融合特征可以有效提高混合语音性别组合的识别率;本文所提的语音分离方法在主观语音质量评估(PESQ)、短时客观可懂度(STOI)、信号失真比(SDR)指标上均优于普适的语音分离模型。

特高压线路工程的工程量组合预测研究

在分析特高压(ultra high voltage,UHV)线路工程的工程量影响因素基础上,根据已有特高压线路工程相关数据特点,提出支持向量机、BP神经网络以及工程相似度三种工程量预测方法,针对单一预测方法的局限性,为进一步提高预测精度,构建基于偏差平方和最小的组合预测模型,组合预测模型可以多角度搜集数据信息,实现各种预测模型之间的取长补短。通过样本测试表明该组合预测模型明显降低了最大误差,缩小了误差波动范围。同时考虑到不可量化因素对特高压线路工程量的影响,利用数理统计中置信区间的估计得到工程量的区间预测值,为特高压线路工程量管控提供技术支撑。