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。

基于特征向量的最小二乘支持向量机PM2.5浓度预测模型

针对大气中细颗粒物(PM2.5)浓度预测的问题,提出一种预测模型。首先,通过引入综合气象指数综合考虑风力、湿度、温度等因素;然后,结合实际二氧化硫(SO2)浓度、二氧化氮(NO2)浓度、一氧化碳(CO)浓度和PM10浓度等,构成特征向量;最后,利用特征向量和PM2.5浓度数据来建立最小二乘支持向量机(LS-SVM)预测模型。经2013年城市A和城市B环境监测中心的数据预测分析表明,引入综合气象指数后预测的准确性提高,误差降低近30%。说明该模型能够较为准确地预测PM2.5浓度,并具有较高的泛化能力。此外还分析了PM2.5浓度与住院率、医院门诊量的关系,发现了它们的高度相关性。

基于支持向量机和特征向量提取的人脸识别框架

为了研究支持向量机在人脸识别中的应用,提出了人脸识别框架,该框架首先利用特征向量提取算法对人脸进行特征提取,得到人脸面部纹理特征数据,然后采用支持向量机对提取的数据进行训练,得到人脸模板,并依据人脸模板对人脸进行识别。实验采用ORL人脸数据库作为实验数据,使用LBP算法提取特征向量,使用LIBSVM训练得到人脸模板数据库,当模板人脸数与预测人脸数比值一定时,随着人数增加,其预测的正确率会有所下滑;当人数一定时,人脸模板与预测人脸数值上升,其正确率会有所上升。当选择一个相对合适的模板比例时,正确率将会达到89.29%以上。实验结果表明,提出的框架对于人脸具有良好的识别能力。

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。

基于特征向量法和支持向量机的抑郁症脑电信号分类

目的:从抑郁症患者EEG信号中提取与疾病相关的信息以实现对抑郁症患者与健康人的自动分类。方法:用特征向量法对抑郁症患者与健康人脑电进行特征提取,得到脑电信号功率谱幅度的最大值、最小值、平均值和标准偏差等特征参数,然后用支持向量机分类器进行训练和分类,并进行测试验证。结果:相对于用小波变换提取的频率相关参数作为分类特征,采用本文特征向量法功率谱估计提取的特征参数为分类特征的分类器具有更好的分类效果,其抑郁症患者和健康人脑电信号的分类准确率可以达到95.6%。结论:该研究成果为抑郁症疾病的物理诊断提供了一种新的途径。

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。

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。

基于熵特征和支持向量机的调制识别方法

通信信号调制识别在非合作通信领域是一项重要的研究课题。针对当前算法计算量大,能识别的调制类型少的特点,提出了一种基于熵特征和支持向量机(support vector machine,SVM)的调制识别新方法。该算法通过提取接收信号的多维熵特征,作为调制识别的特征参数,并利用基于二叉树的SVM作为分类器,对接收信号进行调制识别。除了信号的信噪比,该算法不需要信号带宽和载频等其他先验知识。理论分析与计算机仿真结果表明,该方法具有很高的识别率,计算量小,具有很好的应用价值。

应用本体对特征向量降维研究

在应用SVM对文本进行分类时,用传统的TFIDF算法对文本特征进行选择会产生高维特征向量问题,这个问题干扰了SVM的效率和准确性,使SVM的性能下降。为了解决SVM文本分类过程中产生的这个问题,提出一种基于本体的特征项约简方法。该方法通过本体找出特征向量中具有同义关系、组成关系和上下位关系的冗余特征项,然后对它们进行合并降低特征向量的维数。试验结果表明,采用本体约简特征向量的方法改进了SVM分类器的性能。

基于D-score与支持向量机的混合特征选择方法

F-score作为特征评价准则时,没有考虑不同特征的不同测量量纲对特征重要性的影响。为此,提出一种新的特征评价准则D-score,该准则不仅可以衡量样本特征在两类或多类之间的辨别能力,而且不受特征测量量纲对特征重要性的影响。以D-score为特征重要性评价准则,结合前向顺序搜索、前向顺序浮动搜索以及后向浮动搜索三种特征搜索策略,以支持向量机分类正确率评价特征子集的分类性能得到三种混合的特征选择方法。这些特征选择方法结合了Filter方法和Wrapper方法的各自优势实现特征选择。对UCI机器学习数据库中9个标准数据集的实验测试,以及与基于改进F-score与支持向量机的混合特征选择方法的实验比较,表明D-score特征评价准则是一种有效的样本特征重要性,也即特征辨别能力衡量准则。基于该准则与支持向量机的混合特征选择方法实现了有效的特征选择,在保持数据集辨识能力不变情况下实现了维数压缩。

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.

基于融合特征约减和支持向量机的控制图模式识别

为提高产品加工过程中质量监测的智能化程度,在运用控制图描述质量波动的基础上,提出了一种基于融合特征约减的KPCA-SVM控制图分类方法。先通过蒙特卡洛模拟生成控制图数据集,提取统计特征和形状特征,并将其与原始特征相融合,运用核主成分分析对高维融合特征降维,再使用遗传算法优化支持向量机的参数。通过仿真实验,将降维前后、不同分类器的识别精度进行了比较,结果表明运用所提方法能够得到更好的识别效果。

基于多类支持向量机的棉花异性纤维分类方法

提出一种基于多类支持向量机的棉花异性纤维分类方法,以期解决棉花异性纤维的在线分类难题。该方法首先对异性纤维目标图像进行颜色、形状和纹理特征提取,形成用于精确描述异性纤维目标的特征向量;然后分别构建3种不同体系结构的多类支持向量机用于棉花异性纤维的分类;最后采用交叉验证法对所构建的3种多类支持向量机进行测试。测试结果表明,基于有向无环图的一对一多类支持向量机在分类精度和分类速度上更适合用于棉花异性纤维在线分类。

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。

基于最小二乘支持向量机和机电综合特征的发电机故障诊断

提出了1种最小二乘支持向量机和机电综合特征相结合的发电机故障诊断模型.用二次损失函数代替传统支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组求解,降低了计算的复杂性.提取发电机故障中的综合特征,即振动信号和电流信号,整理后作为诊断模型的特征值,从而得到了故障的典型特征,提高了诊断的准确率.最后从SDF 9型模拟发电机中实测数据进行分析,结果表明,与常规的方法相比,该模型具有较高的分类速度和较好的故障诊断准确率.