故障检测中核参数优化方法性能评估

近年来,基于核主元分析与核偏最小二乘的方法经常被应用于过程监控与故障检测领域以克服工业过程的非线性.研究发现此类方法的检测性能很大程度上受核参数的影响,而目前学术界对该参数的优化方法研究较少.因此,本文以最常用的高斯核方法为例,首先总结了3类常用的核参数优化方法:二分法、基于BP神经网络的重构法和基于样本分类的重构法;其次重点分析每个方法的特点和它们之间的联系,并评估它们的性能;最后将上述方法设计成一个核参数优化系统应用于热连轧过程的故障检测中.应用结果表明,优化后的核参数能显著提高故障检测性能.

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sig-moid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。

基于优化核Fisher判别分析的雷达目标识别

针对雷达目标高分辨距离像非线性可分和高特征维数的特点,提出一种基于优化核Fisher判别分析的雷达目标识别方法。该方法利用Fisher判别准则下界作为目标函数对核Fisher判别分析进行核参数优化,再利用支持向量机训练和识别由核Fisher判别分析提取的高分辨距离像特征。基于5种飞机目标的仿真实验表明,优化核Fisher判别分析可以有效优化核参数并降低特征维数,具有稳定优异的识别性能。

基于支持向量机优化参数的集成多核典型相关分析

提出一种可有效处理多个数据集合之间变量关系的集成多核典型相关分析方法,构造一个特殊的核函数,使其更好地将原始样本数据映射到高维空间;基于支持向量机,在选择一个优化参数的基础上最大化多组数据集变量间的关系,以寻求整体相关性最大。在多特征手写体数字库上的实验证明,相比传统的典型相关分析与核典型相关分析方法,基于优化参数的集成多核典型相关分析方法具有更优的性能。

基于SABA优化的Volterra级数空战目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题,通过分析并结合目标机动轨迹时序数据所具备的混沌特性,引入Volterra泛函级数模型进行目标机动轨迹预测。为解决Volterra泛函级数模型中存在高阶核函数难以求解的问题,利用变异机制和自适应步长控制机制改进蝙蝠算法的寻优能力,进而构建了一种基于自适应蝙蝠算法(SABA)优化的Volterra泛函级数目标机动轨迹预测模型,并利用优化后不同阶数的Volterra泛函级数模型对目标未来机动轨迹进行预测。仿真实验中,通过与其他优化算法改进的Volterra泛函级数模型的预测精度对比,验证了所提预测模型的可行性,同时也说明了二阶Volterra泛函级数模型更加适用于目标机动轨迹预测。

改进的核费舍尔方法识别材料微缺陷

由于微缺陷信号易受到材料结构噪声的影响,使得传统的分类方法对微缺陷信号的分类准确率有待进一步提高。因此,将核费舍尔方法用于微缺陷信号的分类识别中,并提出自适应的核参数优化方法。改进后的核费舍尔分类方法能够根据待分类数据的特点选择出最优核参数,因此对微缺陷信号的分类识别具有较高的准确率。为证明方法的有效性,用100 MHz高频聚焦探头对典型金属材料进行检测,采集夹杂、裂纹、缩孔和正常4类超声信号,分别从时域、频域和小波域提取出20个特征量,实验结果表明:利用改进的核费舍尔方法对4类微缺陷信号识别的准确率达到96.25%,比其他分类方法具有更高的准确率。

普适性核度量标准比较研究

核方法是一类应用较为广泛的机器学习算法,已被应用于分类、聚类、回归和特征选择等方面.核函数的选择与参数优化一直是影响核方法效果的核心问题,从而推动了核度量标准,特别是普适性核度量标准的研究.对应用最为广泛的5种普适性核度量标准进行了分析与比较研究,包括KTA,EKTA,CKTA,FSM和KCSM.发现上述5种普适性度量标准的度量内容为特征空间中线性假设的平均间隔,与支持向量机最大化最小间隔的优化标准存在偏差.然后,使用模拟数据分析了上述标准的类别分布敏感性、线性平移敏感性、异方差数据敏感性,发现上述标准仅是核度量的充分非必要条件,好的核函数可能获得较低的度量值.最后,在9个UCI数据集和20Newsgroups数据集上比较了上述标准的度量效果,发现CKTA是度量效果最好的普适性核度量标准.

基于改进粒子群算法的核函数参数优化

针对核主元分析(Kernel Principal Component Analysis, KPCA)的性能极大地受到本身核函数参数影响问题,提出一种新型的聚类KPCA-FDA-IPSO核参数优化方法。该方法结合KPCA特征分析的相关方法,综合考虑样本的类内离散度和类间距离,并通过Fisher判别分析(Fisher Discriminant Analysis, FDA)建立的数学模型,再将传统粒子群优化算法(Particle Swarm Optimization, PSO)改进为具有继承机制的粒子群优化算法(Inheritance PSO,IPSO),并对核函数寻优。通过数据集仿真和应用研究,验证了该方法能有效地优化核函数参数并提高了KPCA的故障诊断性能。

基于支持向量机的语音情感识别算法研究

为了提高语音情感识别系统的识别率,研究分析了一种支持向量机核函数参数的优选方法。首先给出影响支持向量机核参数的因素,其次依据这些因素,结合Fisher准则和最大熵原理对支持向量机的核参数进行优选。最后用优选参数对基于情感语音数据库进行5种情感的识别测试,测试结果表明Fisher准则和最大熵方法相融合能够有效地提高语音情感识别准确率。

EMPE和KP-KELM在行星齿轮箱故障诊断中的应用

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。

改进多分类决策策略的RVM及其在液压泵故障诊断中的应用

针对传统多分类相关向量机(relevance vector machine,RVM)采用"最大票数赢(MVW)"决策策略的不足,为了提升相关向量机的多分类能力,首先改进了RVM的多分类决策策略,并利用具有Lévy飞行特征的果蝇算法(LFOA)对RVM核参数进行寻优,建立了LFOA-RVM分类模型。在适应度函数的评判下,果蝇种群经过多次迭代对指定范围内的核参数进行全局搜索寻优,完成模型建立。四组UCI标准数据集的MATLAB仿真实验结果表明,改进后的多分类决策策略和优化方法有效、可靠,能够提升RVM的分类能力;进一步将此模型应用于液压泵故障诊断,同样取得了较好的分类效果,验证了分类模型的有效性。

基于PSO⁃KPCA⁃LVQ的燃气调压器故障诊断

针对燃气调压器故障数据的非线性、非平稳与高维度的特点,提出基于粒子群优化(PSO)的核主元分析法(KPCA)与学习向量量化神经网络(LVQ)的故障诊断方法。先采用KPCA对故障数据进行降维和降噪,由于核函数中未知参数难以确定,采用粒子群算法(PSO)进行优化得到最优的核参数;然后采用LVQ对数据进行识别分类;最后,将PSO⁃KPCA⁃LVQ算法故障诊断正确率及运行时间分别与PSO⁃KPCA⁃SVM算法以及LVQ算法进行比较。结果表明,基于PSO⁃KPCA⁃LVQ的故障诊断模型优于其他两种算法,验证了该文算法的有效性。

基于人工蜂群支持向量机的模拟电路故障诊断

支持向量机因其良好分类能力被广泛应用于故障诊断中,但是它的核参数对其分类性能有较大影响,因此针对支持向量机参数选择问题,人工蜂群算法被用于搜索最优的支持向量机参数。首先对核参数进行浮点数编码,之后利用人工蜂群的全局优化特性实现核参数的最优化。利用UCI数据库中的数据对提出的方法进行了仿真验证,证明了其可行性,最终将其应用于模拟电路故障诊断中,利用ITC97中的标准电路进行仿真验证,表明方法的有效性。

KTA-KELM在滚动轴承故障诊断中的应用

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel Extreme Learning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(K ernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精度由92.5%和90%提高到98.75%,分别提高6.25%和8.75%。

应用于智能芯片的可视化反馈系统研究

当前,市场上普遍使用的负责推理的终端人工智能(AI)芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致,由此获得的参数会导致终端AI芯片识别准确度降低。为此,提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法,在具有高效计算性能的终端AI芯片上,对卷积核参数进行迭代优化,达到可识别该图像目的。相比于CPU/GPU和FPGA,所提架构在卷积神经网络模型里,更具有高效处理能力和灵活可塑性。实验表明,该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。