基于深度支持向量机的曲轴智能识别方法

针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力。该模型包含数据的输入层、隐藏层和输出层,为获得较好的曲轴图像局部细节边缘检测效果,从滤波、梯度计算、自动获取高低阈值等方面对传统Canny边缘检测算法进行改进,进而提取边缘的Hu矩、傅里叶描述子和尺寸特征,通过串行融合和特征筛选方法对提取到的3类特征进行优化组合并做归一化处理,作为DSVM模型的输入向量用于训练最浅层的SVM;高层的特征由低层的支持向量映射产生,实现逐层的训练学习,通过反向传播算法对网络进行更新,由判别函数输出网络的分类识别结果。通过设计曲轴图像采集方案,建立了5类曲轴样本数据集,并验证了模型的性能。实验结果表明,该模型识别精度可达99.6%,相较于单一的SVM和AlexNet分别提高了6.6%和3.1%,识别时间为93 ms,符合再制造废旧零件修复或改造柔性生产线中对曲轴识别的要求。

深度支持向量机在齿轮故障诊断中的应用

针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法。首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"特征提取公式"生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果。最后,通过齿轮箱故障诊断实验验证了该方法的有效性。

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。

EDWNN和DW-SVM在轴承故障诊断中的应用

针对传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取及选取困难的问题,提出一种基于集成深度小波神经网络和深度小波支持向量机的滚动轴承故障诊断方法。首先,利用不同的小波函数设计不同的改进小波自编码器,并构造相应的深度小波神经网络;然后,将轴承振动信号输入各深度小波神经网络进行无监督特征学习并进行微调;最后,将每个深度小波神经网络的顶层特征融合,输入深度小波支持向量机分类器实现对轴承故障的自动识别。试验结果表明,该方法能够对滚动轴承进行多工况及多种故障程度的有效识别,特征提取能力和识别能力优于浅层人工神经网络、支持向量机等传统方法以及深度信念网络、深度稀疏自编码器等深度学习模型。