蛋白质结构标注中的基于支持向量机的拉氏图优化方法

拉氏图是一种经典的蛋白质结构验证工具,在蛋白质结构研究领域有广泛应用.然而,传统拉氏图定义的合理区域范围广,容错率高,且包含了一些不准确的结构.针对这一问题,提出了一种基于支持向量机(support vector machine,SVM)和贝叶斯优化的方法SVM-Rama,对传统拉氏图的合理区域定义进行优化和细分,使细分后的合理区域的范围精确到具体的二级结构种类,SVM-Rama法可以提高蛋白质结构验证准确率,且能简便精确地标注二级结构.研究结果表明,该方法在二级结构标记中的准确率接近传统方法取得的最好结果,但训练和计算成本远小于传统方法.

基于代价敏感支持向量机和多变量决策树的分级自适应暂态电压稳定评估

为解决暂态电压稳定评估中失稳工况漏判率高的问题、提升多变量决策树(multivariate decision tree,MDT)应用能力,提出一种分级代价敏感多变量决策树(hierarchical cost sensitive multivariate decision tree,HCS-MDT)评估方法。基于可量测电气量时空联合拓展构建特征,利用改进经验风险的代价敏感支持向量机(cost sensitive support vector machines,CS-SVM)作为MDT内部节点分类器,生成解析式组合特征判稳规则作为可视化决策依据,并能有效减少失稳漏判;将分级自适应(hierarchical self-adaptation,HSA)准则融入CS-MDT中进行暂态电压稳定评估,在提升早期评估能力的同时有效保障评估准确率。暂态电压稳定仿真算例验证了所提方法的有效性。

有向无环图决策支持向量机和经验模式分解在轴承故障诊断中的应用

当旋转机械发生故障时,其振动信号常常表现出较为复杂的调制形式,经验模式分解能根据信号的真实物理意义完成自适应分解。支持向量机由于其出色的学习性能和良好的推广能力,使其在包括故障诊断在内的众多领域得到较为广泛的应用。利用经验模式分解结果提取频带能量特征向量,采用有向无环图决策支持向量机实现对轴承状态的判别,并基于留一法优化支持向量机的模型参数。最终的应用结果表明,基于EMD和有向无环图决策支持向量机方法可以有效实现对轴承的状态判别。

基于结点优化的决策导向无环图支持向量机及其在故障诊断中的应用

支持向量机(Support vector machine,SVM)是利用离在线数据自动建立故障诊断模型的智能方法,它在多故障诊断时,必须先进行多分类扩展.决策导向无环图(Decision directed acyclic graph,DDAG)法是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,而其结点的排部却是主观的,影响了诊断的正确率.本文提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在变压器故障诊断中获得良好效果.

基于支持向量机的高含CO_(2)凝析气藏油环体积预测方法

准确、高效地预测高含CO_(2)凝析气藏油环体积对于开发方案的制定至关重要,但海上深水凝析气藏难以通过大规模钻探来探明油环体积,且高浓度CO_(2)的萃取作用使油环体积变化更加复杂。首先通过CO_(2)充注实验还原高含CO_(2)凝析气藏成藏过程,以数值模拟结果为基础数据开展数据预处理,建立样本数据库,并通过关联分析优选其主控因素,明确不同地层条件和气顶组成下油环体积的变化规律,最后基于支持向量机开展油环体积预测训练,搭建油环体积的预测模型,实现输入主控因素以精确、快速预测油环体积的目的。预测结果表明,采用三次核函数的机器学习模型与数值模拟、物理模拟、矿场实际的油环体积误差分别为3.43%、5.10%和7.21%。

基于决策树和支持向量机的智能变电站二次系统防误方法

随着智能变电站的普及,电力系统的安全运行对变电站的二次检修提出了更高的要求。针对二次设备状态转换过程中易发生误操作的现问题,提出了一种新型二次系统防误方法。通过测量装置获取一二次设备状态值,构建初始样本数据集。为获取模型所需的特征向量集,采用了PCA法实现数据降维,特征向量集通过决策树实现二次操作分类。对分类后的样本集进行SVM训练和测试,实现二次设备操作的防误判别。最后构建了防误模型,用历史运行数据进行仿真测试,验证了此方法防误判别的有效性。

基于支持向量机的汽车制动防抱死系统故障检测方法

为实现对防抱死系统(ABS)故障的精准检测,降低汽车行驶安全隐患,引进支持向量机(SVM)展开分析。在仅考虑汽车纵向运动的条件下,建立汽车行驶过程的动力学方程,提取ABS系统运行的力学特征参数;将SVM作为二分类方法,设定原始数据集合,应用SVM进行超平面信息检索,实现基于最小化经验的参数学习、参数的学习与决策函数的构建;建立系统正常运行因变量参考序列,根据参数的时间序列分布,进行系统序列的无量纲比较,以此实现系统故障的诊断与检测结果输出。对比实验结果表明:设计的故障检测方法实际应用效果良好。

基于支持向量机的多环芳烃光谱定量分析

目前,环境问题备受人们关注,有效解决多环芳烃污染已成为全球关注的焦点。基于此,提出一种基于支持向量机的多环芳烃光谱定量分析方法,通过FS920荧光光谱仪采集多环芳烃光谱数据,获取三维光谱灰度图。对多环芳烃实验样本数据采用多项式平滑法原理实施平滑处理,制备多环芳烃,通过支持向量机(SVM)对多环芳烃光谱定量检测,得到被检测溶液的荧光光谱图,对其光谱特性分析,最终实现光谱定量分析结果。实验结果表明,所提方法能准确地对多环芳烃光谱进行定量分析。

基于支持向量机的车辆换道决策模型研究

车辆换道行为是微观交通流中的典型驾驶行为之一。研究车辆换道决策模型,可以帮助无人驾驶车辆正确进行换道决策。以NGSIM数据集为依据,采用SG滤波器对NGSIM数据集进行平滑处理,筛选平滑处理后的数据得到训练集和测试集;选择影响车辆换道决策的7个因素作为模型输入,建立基于粒子群优化算法的支持向量机(PSO-SVM)车辆换道决策模型和标准支持向量机(标准SVM)车辆换道决策模型;对训练集和测试集进行归一化处理,利用归一化处理的数据进行模型的训练和测试。测试集数据分类验证结果表明,建立的PSO-SVM车辆换道决策模型的决策准确率为94.67%,相比于标准SVM车辆换道决策模型提高6%,能有效实现无人驾驶车辆的换道决策。

有向无环图的多类支持向量机分类算法

为研究基于有向无环图的支持向量机分类算法以及在故障诊断问题中的应用,考虑到有向无环图的结构运算相当于一个表操作,且分类结果依赖于有向无环图中节点的排列顺序,提出一种分类算法,该算法引入基于类分布的类间分离性测度,估计各类训练数据间的分布性质,建立初始操作表单,将样本所有可能的类别按照一定顺序排列在表单中,从而重新组合有向无环图中的节点顺序,构造基于分离性测度的有向无环图的拓扑结构。通过对3个典型数据集的数值仿真研究,结果表明所提算法的性能优于传统算法。

基于优化有向无环图支持向量机的多变量过程均值异常识别

针对多变量过程均值异常模式类型数量太大、一般模式识别工具难以适应的问题,提出优化有向无环图支持向量机。该方法识别效率高,并通过启发式方法生成优化的拓扑结构,即先根据定义在核空间的模式类型平均差异测度对类型编号排序,再依序提取对应两分类支持向量机组成有向无环图结构,使越易区分类型间的支持向量机越靠上层布置,由此缓解分类误差累积效应和弥补上层出现类型分类容错能力的不足,保证相对较高的总体分类准确度。仿真实验表明,优化有向无环图支持向量机用于多变量过程均值异常模式的识别相比其他几种多分类支持向量机在识别精度和效率上具有综合优势。基于优化有向无环图支持向量机构建了多变量过程均值异常识别模型,并在实际齿轮生产中进行了应用实验,验证了模型的有效性和实用性。

基于有向无环图支持向量机的水轮发电机组故障诊断模型

提高水轮机组的状态监测与故障诊断系统的准确性和及时性,对电力系统的安全运行具有重大意义。针对神经网络收敛速度慢、容易陷入局部最优解等不足,提出了一种基于有向无环图支持向量机方法的水轮发电机组故障诊断方法。该方法能有效解决小样本、高维数、非线性等问题,从而能在较短的时间内准确地诊断故障。

有向无环图-双支持向量机的多类分类方法

针对多分类支持向量机算法中的低效问题和样本不平衡问题,提出一种有向无环图-双支持向量机DAG-TWSVM(directed acyclic graph and twin support vector machine)的多分类方法。该算法综合了双支持向量机和有向无环图支持向量机的优势,使其不仅能够得到较好的分类精度,同时还能够大大缩减训练时间。在处理较大规模数据集多分类问题时,其时间优势更为突出。采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对该算法进行验证,实验结果表明,有向无环图-双支持向量机多分类方法在训练时间上较其他多分类支持向量机大大缩短,且在样本不平衡时的分类性能要优于其他多分类支持向量机,同时解决了经典支持向量机一对一多分类算法可能存在的不可分区域问题。

基于决策导向非循环图支持向量机的脱机手写体汉字识别

目前脱机手写体汉字识别在小字符集方面取到了比较好的效果,但在大字符集方面仍存在着识别速度慢、准确率低等问题。不同于传统的二叉树方法,本文将决策导向非循环图用于汉字识别,并加以改进。仿真实验表明,该算法能对大字符集的手写体汉字进行识别,有效减小了误差,具有较高的识别率。

基于小波包分析和有向无环图支持向量机的电机故障诊断研究

针对电机振动信号的特点,提出一种基于小波包分析和有向无环图支持向量机的故障诊断方法,将电机不同故障下的振动信号进行小波包分解与重构,提取频带能量作为特征向量,应用有向无环图支持向量机建立从特征向量到故障模式之间的映射,实现对电机的故障诊断。结果表明,该方法能准确有效地诊断电机故障。

基于GA参数寻优的决策树支持向量机生态环境质量评价方法

选取决策树作为支持向量机多类分类方法,选择径向基核函数建立了生态环境质量决策树支持向量机评价模型,基于遗传算法实现了惩罚因子、核函数参数的自适应优选,并运用建立的模型对我国主要省市生态环境质量进行了评价。研究结果表明,该方法可以较好地实现生态环境质量评价。

一种改进的有向无环图支持向量机

构造合理的有向无环图是有向无环图支持向量机亟需解决的一个关键问题。本文提出一种改进的有向无环图支持向量机,根据超球支持向量机获得类的最小包围球,根据该最小包围球计算类与类之间的最短距离,根据该最短距离形成最短距离矩阵,根据该最短距离矩阵来构造有向无环图。实验结果表明,该改进算法较传统有向无环图支持向量机分类精度有明显提高。

基于SEER数据库使用支持向量机和列线图对骨肉瘤诊断时肺转移风险预测模型的建立与验证

目的开发列线图和支持向量机模型预测骨肉瘤患者的肺转移风险。方法从美国“监测,流行病学和结果”(Surveillance,Epidemiology and End Results,SEER)数据库获得2010年至2016年的原发性骨肉瘤患者数据,通过单因素和多因素Logistic回归进行筛选,确定肺转移的危险因素。基于Logistic回归结果,构建列线图,使用10-fold cross validation对其进行验证。按照8∶2的比例,将数据拆分为训练集和验证集,使用支持向量机构建预测模型。绘制受试者工作特征(receiver operating characteristic,ROC)曲线比较列线图和支持向量机模型的预测能力。结果共纳入1038例骨肉瘤患者。Logistic回归分析显示,男性患者、更大的肿瘤直径、N1或NX分期、伴有骨转移和原发部位为四肢骨骼为骨肉瘤患者出现肺转移的独立危险因素(均P<0.05)。列线图预测骨肉瘤肺转移的最佳ROC曲线下面积(area under the curve,AUC)为0.769,平均AUC为0.695,支持向量机模型的AUC为0.792,预测准确率为0.861。支持向量机模型具有更好的预测能力。结论男性患者、更大的肿瘤体积、N1或者NX分期、伴有骨转移和原发部位为四肢骨骼为骨肉瘤患者的肺转移独立危险因素。支持向量机模型和列线图均有较好的预测准确率。支持向量机模型比传统列线图有更好的预测能力,列线图则有更好的临床实用性。

基于小波分析与支持向量机控制图混合模式识别

为提高控制图模式识别尤其是混合控制图模式识别的精度,在小波分析方法的基础上,提出各小波函数的不同分解层数与支持向量机分类器相结合的方法。首先,采用蒙特卡罗方法生成训练与测试数据集。其次,对数据集进行小波分解,提取其形状特征,选择合适的小波函数与分解层数。最后,运用小波变换提取数据集的重构特征,将小波重构特征输入训练好的支持向量机中进行模式识别,识别结果与小波分析BP神经网络模式识别方法进行对比。实验结果表明,Db4小波函数的三层分解与支持向量机相结合对混合控制图模式识别的精度较高,可有效应用于控制图模式识别。

支持向量机和决策树算法在滚动轴承故障诊断中的应用

滚动轴承作为旋转机械中常见的部件,其发生故障轻则导致设备停工,重则造成经济损失和人员伤亡,因此滚动轴承的故障诊断在机械维护中有着重要意义。使用DC竞赛轴承故障检测数据集对滚动轴承故障诊断中常用模型进行对比分析,按照8:2的比例划分训练集与测试集,采用SMOTE过采样方法对训练集进行处理,从而解决类样本不平衡问题。将处理完后的训练集输入支持向量机(SVM)以及决策树模型,通过比较2个模型的测试集测试结果可以发现,SVM模型在滚动轴承故障诊断中更有效。