一种改进的Laplacian SVM的SAR图像分割算法

当有标识的样本数量有限时,Laplacian SVM算法需要加入尽量多的无标识样本,以提高分类精度.但同时当无标识样本数很大时,算法的时间和空间复杂度将难以接受.为了将Laplacian SVM应用于SAR图像分割这样的大规模分类问题中,提出了一种改进的Laplacian支持向量机算法(Improved Laplacian Support Vector Machine,Im-proved Laplacian SVM),首先采用分水岭算法将原始SAR图像分成多个小原型块,提取每个小原型块的图像特征作为训练样本.再采用改进的Laplacian SVM算法得到小原型块的分类结果.通过3幅SAR图像验证了提出的方法,实验表明该方法不仅提高了分割的准确性同时减少了Laplacian SVM算法用于图像分割时的运行时间.

基于测度优化Laplacian SVM的中文指代消解方法

相比于传统的基于半监督学习的指代消解方法,Laplacian SVM(Support Vector Machine)能有效的挖掘已标注样本和未标注样本的相似性和关联性,更好的推导模型的分类边界.而传统Laplacian SVM采用欧式距离度量样本之间的距离,使得异类样本之间的相似性可能过大,不利于样本的准确分类.对此,提出一种基于数据驱动学习最优测度Laplacian SVM算法以解决中文指代消解语料不足的问题.该方法通过优化样本对之间的相似性约束条件和引入Fisher判别项,增大同类样本间的相似性,并突出强判别能力的特征.此外,提出核嵌入的测度优化方法将以上线性测度优化推广到非线性空间,有利于Laplacian SVM利用核函数实现非线性分类.在ACE2005中文语料库上的测评结果表明,所提出测度优化的Laplacian SVM(包括线性和核嵌入两种形式)的方法只需少量标注样本就可以获得与经典的有监督学习模型相当甚至更好的消解性能,同时也优于其他传统的半监督学习方法.

基于增量式拉普拉斯嵌入和SVM的图像识别

提出了一种基于增量式拉普拉斯嵌入和支持向量机的图像识别方法,该方法首先利用增量式拉普拉斯特征映射对数据点进行维数约减和特征提取;再应用以统计学习理论为基础的支持向量机对图像进行分类识别。在降维过程中,该方法能够最优保持原始空间数据点的局部信息,克服了PCA降维算法从全局考虑而丢失局部信息的缺点,并且对测试集的嵌入坐标增量式计算的特点很好地减少了运算量。实验证明,该方法的图像识别率明显高于传统的PCA线性降维方法,具有可行性。

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。

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。

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE)的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析(PCA)方法进行了比较,结果证明该方法可行。

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法——复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机(LapSVM)应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择(SFS)特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明:CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。