基于LS-SO算法的情感文本分类方法

首先,基于点互信息与信息检索(PMI-IR)算法,提出一种Laplace平滑情感判定(LS-SO)算法,对情感词典与表情符号情感词典进行自动扩充,得到了具有一定规模、高质量的情感词典,包括基础情感词典、目标情感词典、网络用语情感词典、表情符号情感词典、否定词词典、疑问词词典、程度副词词典和连词词典.其次,通过细化文本语义分析规则计算文本情感值.实验结果验证了该方法的有效性.

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.

非线性再生散度随机效应模型似然函数的Laplace逼近

首先提出用Lap lace逼近方法对非线性再生散度随机效应模型的边缘对数似然函数进行近似,然后基于近似的边缘对数似然函数利用F isher'sscoring迭代算法得到了模型参数的极大似然估计.模拟研究和实例分析表明了该算法的可行性.

基于HRCMFDE、LS、BA-SVM的行星齿轮箱故障诊断

针对行星齿轮箱的特征提取以及故障识别问题,提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法。首先,提出了一种新的时间序列复杂度测量方法—HRCMFDE(其由5种不同粗粒化方式的RCMFDE组成,具备更全面和可靠的特征提取性能),用于从振动信号中挖掘出反映行星齿轮箱状态的故障信息,构成初始的混合故障特征;然后,考虑到由HRCMFDE组成的故障特征具有较高的维数和冗余,利用LS对初始特征进行了优化,生成了低维的敏感特征;最后,利用基于蝙蝠算法优化的支持向量机,对行星齿轮系不同故障特征向量进行了训练和分类,利用真实故障数据集对基于HRCMFDE、LS、BA-SVM的方法进行了验证。研究结果表明:利用行星齿轮箱数据集对该方案进行的有效性实验,能够准确地识别出齿轮箱的不同故障,其单次分类的准确率达到了98.13%,多次分类的平均准确率也优于对比方法;该结果验证了基于混合精细复合多尺度波动散布熵特征提取的有效性,采用该方法能够对行星齿轮箱的故障进行诊断。

基于LS和MTS的两阶段滚动轴承故障特征选择方法

滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两阶段特征选择算法。该方法的第1阶段采用拉普拉斯得分(LS)对原始特征按局部保持能力进行排序,利用互信息聚类算法删除特征集中的冗余特征。第2阶段采用多变量模式识别中的马田系统(MTS)方法对剩余特征进行综合评价,挖掘对故障分类更有效的特征。轴承退化仿真试验数据验证结果表明,提出的两阶段特征选择算法可以有效地去除冗余度、提高故障监测准确率,可以有效的运用到滚动轴承的初期故障检测中。

RCMNAAPE在旋转机械故障诊断中的应用

针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机(GWO-SVM)的旋转机械故障诊断方法。首先,利用幅值感知排列熵替换了RCMPE中的排列熵,提出了RCMNAAPE,并将其用于提取旋转机械振动信号的故障特征生成特征样本;随后,采用了LS从原始的高维故障特征向量中筛选出较少的能够更准确描述故障状态的特征,构造敏感特征样本;最后,将低维的故障特征向量输入由灰狼算法优化的支持向量机中进行了训练和测试,完成了旋转机械样本的故障识别和分类,利用滚动轴承和齿轮箱故障数据集将RCMNAAPE-LS-GWO-SVM与其他故障诊断方法进行了对比分析,并开展了评估。研究结果表明:基于RCMNAAPE-LS-GWO-SVM的故障诊断方法能够有效识别旋转机械的各类故障,其识别准确率高于其他对比的故障诊断方法,其中滚动轴承故障的识别准确率达到99.33%,齿轮箱故障的识别准确率达到98.67%。虽然,该方法的特征提取效率不佳,平均特征提取时间分别为153.02 s和163.98 s,仅优于精细复合多尺度模糊熵(RCMFE),但其综合性能更加优异。

滚动轴承多工况故障的特征自动选择核极限学习机智能识别方法

滚动轴承的智能诊断存在许多不足,特别是对复杂工况下的识别存在特征提取不足及诊断精度低等问题。针对故障类型不同、故障程度不同和负荷不同的多工况条件下滚动轴承故障诊断,提出了基于多特征自动选择的核极限学习机智能识别方法。分别从时域、频域、时频域提取有效故障特征,采用拉普拉斯分数(Laplace Score,LS)根据每个特征的重要性自动选择敏感特征,旨在消除一些冗余信息,提高计算效率。采用模拟退火粒子群优化的核极限学习机(Simulated Annealing Particle Swarm Optimization,Kernel Extreme Learning Machine,SAPSO-KELM),实现滚动轴承多故障状态识别。将该方法应用于滚动轴承变负荷故障识别,与其他识别方法的比较结果表明,该方法具有较高的识别精度和较快的分类速度。

基于FESS的混合模型脑图像分割方法

提出一种基于FESS的混合模型脑图像分割方法。其特点在于生成模型与判别模型得到了有效结合。生成模型通过条件随机场融合体素点的灰度信息、形状信息以及区域相邻关系,实现对脑子结构外观特征的描述。在此基础上,利用生成模型将训练样本映射到FESS特征空间;判别模型中采用LS-SVM分类器并将数据场应用于混合分割模型的训练过程中,降低了判别模型由于训练数据不平衡而引起的性能波动并提高其泛化能力。实验结果表明,与若干前沿的脑图像分割方法相比,该方法具有更好的分割质量和性能。

非线性再生散度随机效应模型参数置信域的曲率表示

该文基于Laplace逼近建立了非线性再生散度随机效应模型在Euclid空间中的几何结构,并在此基础上研究了此模型参数和子集参数的置信域,进一步推广和发展了Hamilton,Watts和Bates关于正态非线性回归模型,Wei关于嵌入模型和指数族非线性模型,Zhu,Tang和Wei关于半参数非线性模型,唐年胜、韦博成和王学仁关于非线性再生散度模型,Tang和Wang关于拟似然非线性模型等的结果．

非线性等值转换在大规模教育考试中的应用研究

通过例证分析了线性转换(标准分转换)存在的问题,研究等值转换应该实现的基本目标;通过例证分析研究应用LI函数完成的L-变换,并将导出的"水平分"LS与T标准分进行比较。结果表明:L-变换在保持变换前后分数分布形态不变、均值趋于统一的前提下,还能实现各版本原始最高分统一变换为设定满分,原始零分仍为零分。L-变换克服了"T标准分"难以直观反映考生水平的问题,特别是解决了"T标准分"带来的不同版本考试中拔尖考生的成绩横向可比性问题。从而实现了针对不同考试版本、不同科目组合,都可以统一划定录取分数线。为"科目任意组合,录取统一划线"找出了科学的方法,提供了可靠的依据。

快修下二部件可修系统的几个工作特征

讨论了由两个具有独立指数寿命部件构成的温储备可修复系统的几个工作特征.

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。

一种基于SimRank得分的谱聚类算法

传统的谱聚类算法在建立相似度矩阵时仅考虑数据点与点的距离,忽略了数据点之间隐含的内在联系。针对这一问题,提出了一种基于SimRank的谱聚类算法。该算法首先用无向图数据建立邻接矩阵,并计算出基于SimRank的相似度矩阵;然后根据相似度矩阵建立拉普拉斯矩阵表达式,对其进行归一化后再进行谱分解;最后对分解得到的特征向量进行k-means聚类。在Zoo等UCI标准数据集上的实验结果表明,所提算法在聚类精确度、标准互信息和纯度3个评价指标上均优于现有的LRR(Low Rank Rrepresentation)等基于距离相似度的谱聚类算法。

基于改进HHT的矿山微震信号多尺度特征提取及分类研究

针对矿山微震与爆破信号难以识别问题,提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进,信号被自适应分解后,计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数,运用拉普拉斯得分(LS)对5种时频域特征参数降维,最后通过遗传算法(GA)优化的支持向量机(SVM)模型,实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证,两类信号的5种特征参数均有较大差异,改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD),且基于改进HHT和GA-SVM分类模型准确率达到95%,证实了此识别方法的准确性。

基于改进鲸鱼算法寻优SVM的船用柴油机燃油系统故障诊断方法研究

鉴于船用柴油机的复杂性,难以及时有效地进行维护保养决策,故此提出一种拉普拉斯分值和改进鲸鱼算法的支持向量机相结合的故障诊断方法。首先利用LS对征兆样本集进行降维处理,然后通过IWOA来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障诊断。将改进的算法与传统的算法进行比较,验证了改进鲸鱼算法寻优SVM在故障诊断方面的有效性。

半监督拉普拉斯分值在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断过程中标签样本不足的问题,结合特征选择与二次挖掘,提出了基于半监督拉普拉斯分值(Semi Supervised Laplace Score,SSLS)和核主元分析(Kernel Principal Component Analysis,KPCA)的滚动轴承故障诊断模型。SSLS将半监督思想应用于拉普拉斯分值特征选择方法中,利用少量的有标签样本和大量无标签样本,结合KPCA对故障特征进行二次挖掘。同时,将粒子群优化的支持向量机(Particle Swarm Optimization-based Support Vector Machine,PSO-SVM)算法用于故障分类。最后,将该模型应用于实验数据分析过程。结果表明,该模型在减少样本标记工作量的同时,仍能在滚动轴承故障分类中保持较高的准确率,验证了所建立模型的有效性和工程实用性。

基于HDLMD和JRD距离的电机轴承故障信号分解及性能评估

为了提高电机轴承运行寿命评估能力,采用HDLMD与JRD距离分析方法相结合的方式,设计得到了一种轴承性能测试方案,构建形成了更完善的DLMD理论分析系统。通过Renyi熵准确评价振动信号处于各个退化状态的复杂性,完成轴承性能退化的分析功能。研究结果表明:轴承振动信号在各故障状态下形成的时域特征也存在较大差异。HDLMD对样本信号进行分解后形成了5种尺度对应的PF分量。NASA全寿命周期波形表明此时信号受到强烈冲击,推断轴承存在故障问题。HDLMD分解得到JRD距离具备更小波动程度。采用本文设计HDLMD与JRD相结合的方法可以实现状态的精确识别。

PSO与LS混合算法在故障特征选择中的应用

为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法。该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集。用双跨转子实验台的一组故障特征数据集进行验证。实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率。