基于小波包分解与DAG-SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG-SVM的柱塞泵故障诊断方法。该方法预先对所用C-SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。

基于DAG-SVMS的SVM多类分类方法

本文介绍了几种常用的支持向量机多类分类方法,分析了其存在的问题及缺点。在有向无环图支持向量(DAG-SVMS)多类分类方法的基础上,提出了一种新的多类分类方法。该方法采用了最小超球体类包含作为层次分类依据。试验结果表明,采用该方法进行多类分类,跟已有的分类方法相比有更高的分类精度。

基于DAG-SVMS的非侵入式负荷识别方法

在供电入口处嵌入非侵入式负荷识别技术,有利于推动建筑节能、实现电网负荷预测、开发智能楼宇、完善智能电网体系建设。据此,提出一种基于有向无环图支持向量机(Directed Acyclic Graph Support Vector Machines,DAG-SVMS)的负荷辨识方法。首先,对总线电流信号进行事件检测,检测到暂态事件后,分离目标负荷暂态电流波形,提取特征,然后,将特征输入预先训练好的DAG-SVMS模型进行分类识别。为提升分类器性能,使用粒子群优化PSO(Particle Swarm Optimization)算法优化DAG-SVMS分类器的参数。为减小累积误差,提出Gini指数优化DAG-SVMS节点顺序的策略。实验结果表明,文中方法识别准确率高,识别速度快,具有可行性。

基于类间可分性DAG-SVM的文本分类

本方法采用了以类间分布和类间中心距离作为依据,对有向无环图结构进行调整,以解决传统的DAG-SVM多分类结构固定、单个节点位置随意引起的"误差累积"严重的缺陷.实验表明,该改进后的DAG-SVM文本分类方法,对文本分类准确率有一定的提高.

一种基于深度图像的DAG-SVMs数字手势识别方法

基于深度图像当然DAG-SVMs数字手势识别方法采用Kinect的骨骼追踪技术对人体手部关节进行跟踪,获取手部关节的深度坐标,将深度骨骼信息融合彩色信息进行手部分割。结合边缘长度矩与Hu不变矩作为数字手势的新特征。通过构建与优化DAG-SVMs分类器,实现了对数字手势的分类识别,仿真实验结果表明,采用基于深度图像的DAG-SVMs数字手势识别方法可以有效降低光照强度干扰,且平均识别率达到98%。

基于DAG-SVM算法的城市路灯照明系统的研究

针对目前城市路灯照明采用手动、感应式和定时控制等路灯控制方式引起电能浪费及智能化程度低的问题,设计了一个新的城市路灯照明系统.该系统由路灯节点控制器、集中控制器、云服务器和后台管理系统共4层结构组成.依托该系统结构,提出有向无环图支持向量机(DAG-SVM)的6分类调光算法.实验结果表明:与手动、感应式和定时控制方式相比,采用DAG-SVM算法的路灯照明系统不仅调光更智能准确,而且节能效率分别提升57.5%、14.5%和5.0%,且系统节能达到63%.

基于节点选择优化的DAG-SVM多类别分类

有向无环图支持向量机(DAG-SVM)对于N类别分类问题,会构造N×(N-1)/2个支持向量机分类器(为每2个类构造一个支持向量机),DAG-SVM可能出现由于节点选择不佳而导致整个分类器分类结果较差的情况。为此,提出一种改进的DAG-SVM。通过为每一层建立备选节点集合进行节点选择,选取下层备选节点集合中训练分类精度最高的一个节点组合作为当前层节点的下层节点,从而优化DAG-SVM的拓扑结构。实验结果表明,与已有的DAG-SVM,1-vs-1SVM,1-vs-a SVM方法相比,该方法的分类精度较高。

基于复杂网络优化的DAG-SVM在滚动轴承故障诊断中的应用

针对滚动轴承故障与其演化程度组合类型数量大,一般模式识别方法难以适应的问题,提出基于复杂网络优化的有向无环图支持向量机(CNDAG-SVM)。该方法引入复杂网络理论中相似性测度概念用以评定各样本类型间的分离性质,并以平均相似性测度作为有效度量样本类型可区分程度的测度对有向无环图叶节点类型进行排序,依次提取对应二元分类器构造较优有向无环图拓扑结构,缓解误差累积效应的同时提高了结构上层节点的容错能力,获得较高的正确识别率。利用局部均值分解方法提取乘积函数(Production Function,PF)分量波峰系数、峭度系数及能量构造特征向量,将其输入CNDAG-SVM分类器中用于区分滚动轴承的故障类型与演化程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能准确有效识别故障类型与其演化程度,较之传统多元分类支持向量机具有更高的识别精度和效率。

基于DAG-SVM的煤矿井下输送装置故障在线检测

针对现有故障在线检测方法分类性能差、检测率低的不足,提出一种基于DAG-SVM的煤矿井下输送装置多故障在线检测方法。提取井下输送装置各构成零部件的原始故障信息,对故障信号进行降噪和归一化处理,得到高频特征向量;利用DAG-SVM故障分类方法,根据故障特征向量的种类和数量构造多个分类器,通过两两比对准确识别出故障类别,并预估出故障样本的演化趋势。数据仿真结果表明:利用所提出方法确定的超平面更为合理,该方法分类精度高,多故障综合在线检测准确率达到99.47%,显著优于现有检测方法。

利用选择性DAG-SVM集成在线检测与诊断多变量过程均值异常

针对多变量过程均值异常,提出了选择性有向无环图支持向量机(DAG-SVM)集成,以之为模式识别工具对过程状态进行识别,以探测异常和判别异常源。集成结合Bagging方法的重复采样技术和对DAG-SVM结构的调整,对数据和模型进行双重扰动,以获得差异的候选个体;再通过二进制粒子群优化(BPSO)算法得到最优集成方案。离线仿真测试证明所提选择性DAG-SVM集成具有分类正确率和效率的双重优势;在线仿真测试表明基于选择性DAG-SVM集成的模型探测过程均值阶跃异常优于χ2图和BPN(误差反传神经网络)模型,且判别异常源比BPN模型更准确。针对实际齿轮加工过程数据的应用验证进一步证实了模型的有效性和实用性。

基于熵变的DAG-SVMs的组合策略

为了降低传统的有向无环图支持向量机(DAG-SVMs)多类分类方法在模型构建过程中节点选择的随机性,提高最终分类结果的准确率,提出了一种基于熵变的有向无环图支持向量机(E-DAG-SVMs)的组合策略。该策略通过计算各支持向量机在分割样本集时引发的熵变,依据信息增益最大化原则来决定节点的选择,进而构建多类分类模型。实验结果表明了该策略的有效性。

基于粗糙集和优化DAG-SVM的船舶主机故障诊断方法

[目的]船舶主机各子系统之间是复杂的非线性关系,对于监测点在短时间内采集的大量数据,传统的故障诊断方法难以高效地完成任务。以船舶主机的燃油系统为研究对象,提出一种基于粗糙集理论和优化有向无环图-支持向量机(DAG-SVM)的故障诊断方法。[方法]首先,将数据挖掘中的粗糙集理论引入传统的支持向量机(SVM)诊断模型,并通过差别矩阵对离散化数据进行降维,在每2种故障之间建立支持向量机分类器,从而构建DAG-SVM拓扑网络;然后,以类间的分类精度为依据,优化有向无环图中根节点和其他叶节点的位置,从而有效避免"误差累积";最后,基于某超大型油轮模拟器,开展数值实验分析。[结果]实验结果表明,粗糙集与优化DAG-SVM相结合的故障诊断方法可以对船舶主机故障进行有效的诊断决策,其分类精度比传统的DAG-SVM方法提高了3.38%,而时间消耗也降低了2.42 s。[结论]该诊断方法对船舶主机的故障诊断研究具有一定的参考价值,也可为SVM在其他小样本分类中的应用提供数据支撑。

基于脉冲电流和紫外脉冲的多源局部放电诊断方法

本研究提出了一种基于脉冲电流法和紫外脉冲法联合检测的多源局部放电诊断方法,针对4种基本缺陷模型,搭建了开关柜多源局部放电实验平台。对联合检测得到的局部放电信息特征进行提取并构建数据库,使用k近邻(KNN)算法和有向无环图支持向量机(DAG-SVMs)算法对局部放电类型进行识别。结果表明:脉冲电流法测得的放电图谱中放电次数和放电量的变化与模型中缺陷种类有关,气隙、沿面缺陷的引入使放电量增大和图谱对称性提高,电晕缺陷的引入使放电次数增多;紫外脉冲法测得的放电脉冲数与多源放电模型中缺陷个数和缺陷的紫外/可见光比值有关,缺陷个数和紫外/可见光比值越高,放电脉冲数越大;KNN算法识别准确率最高可达到99.67%。

一种建筑信息模型分类方法

数字化的建筑信息大量存在和应用于建筑设计、城市规划等领域。目前,由于建筑信息模型的数据量急剧膨胀,为克服"数据丰富而知识匮乏"现象,对其进行基于内容的模型分类十分必要。提出一种结合空间句法理论和基于SVM决策分类的模型分类方法,首先对建筑信息模型建立RCARG(Room Connectivity Attributed Relational Graphs)模型,提取出建筑信息模型的模型固有特征,并结合空间句法理论而扩充出模型空间构形特征,在常用的DAG-SVMS分类算法的基础上增加特征向量均衡化的过程,减少决策分类时误判几率,以实现高精准度分类效果。实验结果表明,该方法与KNN和DAG-SVMS算法相比,具有较高的分类精准度。

面向传感网络多源数据融合的SVM方法

由于多源传感数据及其噪声构成复杂的非线性可分空间,数据融合是目前在资源受限的传感网络中安全、准确和高效地消除冗余数据的重要方法。结合SVM泛化能力强、凸优化的特点,侧重分析了非线性可分多源数据集转化为高维线性可分空间的可行性方法。仿真实验结果表明,宽度参数范围预估方法可以加速高斯核宽度参数的确定。针对多分类情形,仿真实验结果表明,通过控制误差积累,更能确保分类的有效性。

基于短期SF_6气体分解产物数据的绝缘故障诊断研究

维护电力系统中气体绝缘封闭组合开关设备的稳定运行,通过SF_6气体分解组分对设备绝缘状态进行早期的故障诊断是其中关键步骤。为了提升短期SF_6数据存在识别率不高技术难点,首先提出基于信息熵理论和主成分分析法的综合评价方法。然后建立数据变量特征评价模型,对于气体特征量选取有指导意义。其次通过搭建局部放电实验平台对SF_6气体进行分解实验,得到的短期数据进行方法验证。最后,使用原数据与通过验证后新特征变量数据进行多分类SVM分类比对,结果表明,满足评价模型数据可以提高其识别正确率。

三轴AMR车辆检测器的车型分类设计实现

随着城市机动车数量的不断增加,城市交通向智能交通方向的快速发展,传统的车辆检测器已经不能满足智能交通对交通状况反映的要求.车辆检测器的车型分类功能成为检测器发展的趋势,针对目前AMR车辆检测器弱化车型结构对磁场强度影响的问题,设计了一种新型的AMR车型识别检测器.单个检测器可以采集三个方向地磁变化量,结合一个高精度的时间模块,可以获得磁场强度在立体三维空间的变化,丰富了采集信息.通过比较常见的车型分类算法优缺点,采用DAG-SVM进行车型分类.实验测试的结果表明,该检测器可以有效地对车辆进行分类.

基于复杂网络特性的带钢表面缺陷识别

针对带钢表面缺陷识别问题,提出一种基于动态演化复杂网络特性的特征描述方法,这些特征同时具有位移、旋转不变性、大小不变性、较强的抗干扰能力和鲁棒性,为缺陷识别提供良好的分类特征;为了提高分类器的效率,应用主成分分析法(Principal component analysis,PCA)对复杂网络特征向量进行特征降维处理;采用最优有向无环图支持向量机(Directed acyclic graph support vector machine,DAG-SVM)算法进行缺陷分类.结果表明该方法识别率高而且识别速度快.

多类支持向量机算法综述

传统的支持向量机是基于两类问题提出的,如何将其有效的推广至多类问题仍是一个有待研究的问题。本文中作者致力于对现有的几种较有成效的多类支持向量机做一介绍,并比较其优劣,以期对研究者以后的研究能有所启发。

基于支撑向量机的中医舌色苔色识别算法研究

本文针对舌色苔色的分类与识别,提出了一种DAG和决策树结合的方法。在训练SVM分类器的过程中,根据舌象样本中部分类别线性可分,而另一部分类别线性不可分的特点,采用了不同的核函数及其参数。实验结果表明,本文提出的算法在识别率和识别速度上都有一定提高。