基于模糊超球面支持向量机的超宽带SAR地雷检测

机载或车载超宽带合成孔径雷达(UWB SAR)可以大区域快速探测单个地雷和雷场,是探雷的发展趋势。虚警太多是UWB SAR探雷实用化的主要问题。本文提出了模糊超球面支持向量机(FHS-SVM)地雷检测器。FHS-SVM在高维核特征空间中构造封闭的超球面区分地雷和杂波,并在学习过程中利用隶属度定量表征地雷和杂波误判风险不同及地雷埋设环境变化等因素对检测器的影响。轨道地表穿透SAR(Rail-GPSAR)系统实测数据处理结果表明,FHS-SVM比传统超球面SVM(HS-SVM)和超平面SVM(HP-SVM)具有更好的检测性能。

基于证据框架的模糊超球面支持向量机超参数优化

模糊超球面支持向量机(FHS-SVM)在处理一类分类问题时比超平面支持向量机泛化能力更强,特别是在雷达目标检测中得到了成功应用.FHS-SVM训练时需要预设一些超参数,不同的超参数得到的FHS-SVM性能差异很大.文中首先证明了FHS-SVM训练过程与证据框架第一层贝叶斯推理的等价性,然后在证据框架下提出了FHS-SVM超参数优化迭代方法.基于超宽带合成孔径雷达探雷数据,通过与穷举方法结果的对比检验了迭代优化方法的有效性.

直觉模糊的结构化最小二乘孪生支持向量机

针对最小二乘孪生支持向量机(least squares twin support vector machine,LSTSVM)对噪声或是异常数据敏感和忽略数据内在结构信息的问题,提出了一种直觉模糊的结构化最小二乘孪生支持向量机(intuition fuzzy and structural least squares twin support vector machine,IF-SLSTSVM)。首先采用孤立森林对输入样本点进行预处理;然后通过直觉模糊数的概念,赋予输入样本点不同的权重以减少噪声或是异常数据对分类超平面产生的影响;最后采用K-Means算法,以协方差的形式获取输入样本点之间的结构信息。IFSLSTSVM在LS-TSVM的基础上,考虑了输入样本点在特征空间中的分布信息及输入样本点之间的关系,提高了模型的鲁棒性。实验采取UCI数据集,在0%、5%、10%以及20%的不同比例噪声环境对IF-SLSTSVM算法的有效性进行验证。结果显示相较于6种对比算法,IF-SLSTSVM算法有更好的鲁棒性。

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。

基于模糊支持向量机的开关柜运行故障实时监测方法

常规的开关柜运行故障实时监测方法主要使用GSY20测量传感器采集故障信号,易受局部放电作用影响,导致监测的异常幅值与实际异常幅值相差较大。因此,需要基于模糊支持向量机设计一种全新的开关柜运行故障实时监测方法。利用模糊支持向量机进行了故障实时监测分类,构建了开关柜运行故障实时监测中心,从而实现了开关柜运行故障实时监测。实验结果表明,所设计的监测方法监测的异常幅值与实际异常幅值接近,监测效果较好。

基于协同模糊支持向量机的工业机器人故障诊断研究

先进的故障诊断方法对保证工业机器人高效稳定运行具有重要作用。针对传统机器学习故障诊断的不足,利用模糊理论提高处理不确定信息的能力,构建一种协同模糊支持向量机(Synergetic Fuzzy Support Vector Machine,SFSVM)工业机器人故障诊断模型,并对其进行机制优化。在多论域空间结构下,综合处理工业机器人的不确定性信息运行状态监测数据和专家先验知识,提高了工业机器人故障诊断的适用性和鲁棒性。

一种改进的鲁棒模糊孪生支持向量机算法

针对模糊孪生支持向量机算法(FTSVM)对噪声仍然敏感,容易过拟合以及不能有效区分支持向量和离群值等问题,提出了一种改进的鲁棒模糊孪生支持向量机算法(IRFTSVM)。将改进的k近邻隶属度函数和基于类内超平面的隶属度函数结合,构造了一种新的混合隶属度函数;在FTSVM算法的目标函数中引入正则化项和额外的约束条件,实现了结构风险最小化,避免了逆矩阵运算,且非线性问题可以像经典的SVM算法一样直接从线性问题扩展而来;将铰链损失函数替换为pinball损失函数,以此降低对噪声的敏感性。此外,在UCI数据集和人工数据集上对该算法进行评估,并与SVM、TWSVM、FTSVM、PTSVM和TBSVM五个算法进行比较。实验结果表明,该算法的分类结果是令人满意的。

基于超球面支持向量机的刀具磨损状态识别

提出一种基于超球面支持向量机的刀具磨损状态识别方法。该方法提取切削力与振动信号中的多项特征,对各项特征分别进行刀具磨损量相关性分析,选择与刀具磨损变化量最相关的均值、均方根、小波系数能量以及小波系数近似熵组成特征向量。采用超球面支持向量机作为分类器,实现了刀具磨损状态的自动识别。实验证明,在小样本学习情况下,基于超球面支持向量机的刀具磨损状态识别方法具有良好的学习和泛化能力,获得较高的识别正确率。

基于一类超球面支持向量机的机械故障诊断研究

针对机械故障诊断中故障类样本不易获取以及样本分布不均的问题,提出了基于一类超球面支持向量机(SVM)的故障诊断方法,该方法只需要对正常类样本进行训练。试验分析了异常类样本缺失对一类超球面支持向量机性能的影响,并提出模型参数优化选择方法,以提高分类模型的推广能力。分析了不同训练结果的分类能力,并对一类超球面支持向量机与一类超平面支持向量机的分类结果进行比较,验证了前者的正确性和有效性。

基于超球面支持向量机的丝杠故障诊断技术

针对高档数控机床丝杠故障样本不易获取以及样本分布不均的问题,提出了一种用小波包分解和超球面支持向量机进行分类的丝杠故障智能诊断技术。该方法将振动信号小波包分解后的频带能量作为特征向量,输入到超球面支持向量机分类器进行故障识别。通过改变相关参数,研究了模型参数选择在构造超球面支持向量机中的重要作用。试验结果表明,建立的超球面支持向量机模型能够有效地对机床丝杠故障进行诊断。

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。

基于类内超平面的模糊支持向量机

分析基于样本与类中心距离设计模糊支持向量机隶属度函数的缺点,使用类内超平面代替类中心,提出基于样本到超平面距离的隶属度函数设计方法。该方法降低隶属度函数对样本集几何形状的依赖,提高模糊支持向量机的泛化能力。最后数值实验表明,与传统的支持向量机和现有的3种不同隶属度函数的模糊支持向量机相比,新隶属度函数可达到最好的分类效果而且速度快。

基于超球面支持向量机的综合传动状态判别

以油液光谱分析数据为基础,建立了基于超球面支持向量机的综合传动状态判别模型。利用主成分分析法,对油液光谱分析数据进行预处理,并进行主成分提取的研究分析。研究了参数的变化和异常样本对模型性能的影响。实验研究表明,基于超球面支持向量机的状态判别模型准确可行,能实现综合传动的状态判别。

基于模糊支持向量机的新型风电场相变储能功率分配研究

常规的新型风电场相变储能功率分配,主要采用自适应的控制规律来实现储能功率的分配,忽略了风电场的剩余功率对分配结果的影响,导致分配结果功率波动量较大。因此,提出基于模糊支持向量机的新型风电场相变储能功率分配研究,对新型风电场相变储能功率调节范围进行设定,通过概率分布曲线确定剩余功率最大值,计算分配节点能量熵,将其代入到建立的模糊支持向量机模型中,对功率分配能量熵进行优化,代入节点电路完成相变储能功率的分配。实验结果表明:所提方法应用后得出的功率分配结果,表现出的功率波动量较小,均值为1.55 MW,分配结果显著,满足了新型风电场的运行需求。

基于模糊支持向量机的超光谱遥感图像分类

支持向量机(SVM)应用到超光谱图像分类中有较好的识别效果,但它在解决多分类问题时,存在不可分区域的局限性.为此提出了一种基于一对一SVM的模糊支持向量机,并将该方法应用到超光谱图像分类实验,结果表明该方法不仅改善了不可分区域的存在问题,而且比传统的SVM在分类精度上有明显的提高.

半模糊超球支持向量机多类分类方法研究

针对支持向量机在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球支持向量机分类方法。该方法首先利用半模糊核聚类方法对样本进行预处理,完成边缘样本的选取,进而以所选样本为训练样本进行超球支持向量机训练,从而有效提高分类器的性能。实验表明,该方法比标准支持向量机多类分类方法具有更高的速度和精度。

一种基于动态类中心模型选择的模糊支持向量机

模糊支持向量机的核心思想是赋予样本模糊隶属度,给每个样本以不同的权重,从而克服标准支持向量机对噪声和异常点敏感的问题.现有的模糊支持向量机算法通常以样本与类中心距离为基础,给每个样本赋予一个固定的隶属度,没有根据样本分布对隶属度做进一步修正.提出了一种新的动态方式赋予样本隶属度,利用萤火虫算法不断地更新样本中心的位置和隶属度函数,同时利用粒子群算法优化模糊支持向量机参数.在UCI数据集上的实验结果表明,该算法可以有效减少噪声和野点对超平面的影响,分类性能要优于几类常用的模糊支持向量机算法.

基于模糊信息粒化和优化支持向量机的氧化铝陶瓷超声磨削力趋势预测

为实现超声磨削氧化铝陶瓷中磨削力变化趋势的预测,提出了一种基于模糊信息粒化和支持向量机相结合的方法。首先进行氧化铝陶瓷超声磨削试验,然后利用模糊信息粒化方法对试验获得的磨削力进行粒化处理,并将人工免疫系统算法和粒子群算法进行并联混编构成人工免疫系统粒子群算法(AISPSO),接着建立非线性回归支持向量机预测模型并对模糊粒子进行预测,并通过AISPSO算法优化支持向量机预测模型,最后获得超声磨削氧化铝陶瓷中磨削力的变化趋势和变化范围。结果表明:该方法可以有效实现超声磨削中磨削力的变化趋势及变化范围预测,且预测未来5组数据变化范围的误差在10%以内,这为通过磨削力变化调整工艺参数以获得更好的加工表面提供了新的思路。

基于半模糊核聚类的模糊超球支持向量机多类分类方法

针对支持向量机(SVM)在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球SVM分类方法。该方法基于半模糊核聚类生成模糊类,利用模糊类提供的边缘样本信息,利用超球SVM进行多类分类,从而有效提高分类器的性能。实验表明,该方法比传统方法具有更高的速度和精度。

基于类内超平面的改进模糊支持向量机

基于类中心设计隶属度函数的模糊支持向量机能够有效地解决支持向量机对噪声、野值点敏感的问题。但是它对支持向量赋予较小的隶属度值,从而降低了其分类效果。因此,提出一种改进的隶属度函数设计方法,该方法降低了对样本几何分布的依赖,而且考虑到了支持向量机的本质特征。用类内超平面代替类中心,根据每类数据与其类内超平面的距离定义隶属度函数,以加大对容易被错分样本的惩罚,同时对离分类超平面较远且不可能成为支持向量的样本赋予较小的隶属度值。实验表明,改进的模糊支持向量机能够有效地提高分类精度。