A NEW HYPERSPHERE SUPPORT VECTOR MACHINE ALGORITHM

The hypersphere support vector machine is a new algorithm in pattern recognition. By studying three kinds of hypersphere support vector machines, it is found that their solutions are identical and the margin between two classes of samples is zero or is not unique. In this letter, a new kind of hypersphere support vector machine is proposed. By introducing a parameter n(n>1), a unique solution of the margin can be obtained. Theoretical analysis and experimental results show that the proposed algorithm can achieve better generaliza-tion performance.

基于DBN实现QSSVM模型的WSN数据异常检测

无线传感器网络(Wireless Sensor Network,WSN)数据异常处理效率保障了现在智能的高效率运行。在分析1/4超球面支持向量机(Quarter-Sphere support vector machines,QSSVM)测试模型的基础上,进行深度信念网络(Deep Belief Network,DBN)构建实现,设计了一种可以实现在线测试功能的异常检测算法。研究结果表明:随着窗口大小的增加,所需要的计算时间增多。QSSVM在窗口开始扩大时便产生变化,主要表现在准确度的持续提高。QSSVM检测性能随着样本维度不断升高得到较大提升,相反K-means的检测性能却有降低趋势。采用QSSVM算法处理560维HAR数据时,测试结果显示检测率高达94.16%。该研究能够满足大规模高维传感器的数据处理需求,具有很高的应用价值。

基于超球和ASSRFOA的多生支持向量机

支持向量机(support vector machine,SVM)是一种基于结构风险最小化的机器学习方法,能够有效解决分类问题.但随着研究问题的复杂化,现实的分类问题往往是多分类问题,而SVM仅能用于处理二分类任务.针对这个问题,一对多策略的多生支持向量机(multiple birth support vector machine,MBSVM)能够以较低的复杂度实现多分类,但缺点在于分类精度较低.本文对MBSVM进行改进,提出了一种新的SVM多分类算法:基于超球(hypersphere)和自适应缩小步长果蝇优化算法(fruit fly optimization algorithm with adaptive step size reduction,ASSRFOA)的MBSVM,简称HA-MBSVM.通过拟合超球得到的信息,先进行类别划分再构建分类器,并引入约束距离调节因子来适当提高分类器的差异性,同时采用ASSRFOA求解二次规划问题,HA-MBSVM可以更好地解决多分类问题.我们采用6个数据集评估HA-MBSVM的性能,实验结果表明HA-MBSVM的整体性能优于各对比算法.

基于多类超球支持向量机的铣削颤振预测方法

为了预测薄壁件铣削过程颤振的发生,提出了一种应用小波系数特征和多类超球支持向量机进行铣削颤振预报的方法。首先基于连续小波变换分别提取高、低频段铣削振动信号的特征,然后利用多类超球支持向量机进行稳定铣削状态、铣削颤振孕育状态、铣削颤振状态识别。为了简化支持向量机进行多类分类时所带来的计算复杂性,该算法使每一类样本都获得一个超球支持向量机,在特征空间中以测试样本与超球中心距离、超球半径作为决策函数来进行识别。实验表明,在铣削颤振识别系统中多类双核超球支持向量机与连续小波系数特征向量相结合具有良好的识别效果,颤振孕育预报正确率达98.0%。

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CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。

超球体支持向量机的不完全二叉树多类分类算法

针对现有的支持向量机多类分类方法的不足之处,提出了一种基于超球体支持向量机的不完全二叉树多类分类算法。该算法首先采用超球体SVM算法,计算各类样本群的分布范围。再利用距离公式,计算各类样本间的距离,基于将最容易分离出来的类最先分割出来的原则,设计二叉树结构,从而提高分类精度。通过仿真实验,分析比较各种方法的性能,从而验证了该算法的有效性。

基于结构健康监测系统的桥梁数据异常诊断研究

桥梁结构监测主要集中在对桥梁结构损伤位置和损伤程度的研究,然而,这是以桥梁结构健康监测系统数据有效为前提的。在实际的环境里,由监测系统自身故障引起的异常往往会对监测数据有一定影响,使得监测系统产生损伤误报,增加了虚警率;同时,由某些外部荷载引起的突发事件,可能会对结构有严重破坏,不利于桥梁的安全维护和管理。为了保证桥梁的安全,提高桥梁结构监测的有效性,有必要对特殊事件进行异常诊断。该文将一类识别方法应用到桥梁数据诊断中,即通过核主成分分析和超球面一类支持向量机方法将一般监测数据和特殊事件数据有效区分,并利用江阴大桥的加速度传感器数据验证了该方法在船撞、台风、传感器装机噪声和传感器跳变信号下的有效性。

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。

桥梁数据异常诊断方法在伸缩缝监测中的应用

针对由桥梁结构损伤和监测系统传感器故障引起的桥梁数据异常诊断问题,提出了一种基于主成分分析和超球面一类支持向量机的桥梁数据异常诊断方法。首先,对原始信号进行预处理和小波阈值去噪,然后,统计信号的时域、频域及自回归模型系数特征,利用主成分分析进行特征提取获得重要特征,最后,利用超球面一类支持向量机进行异常模式识别。通过江阴大桥伸缩缝相关监测数据表明,该方法可以较好识别和伸缩缝相关的数据异常,防止监测系统误报漏报的发生。

基于同心超球面分割的支持向量预抽取方法

支持向量机仅仅由支持向量所决定,因此预先抽取支持向量参与训练是非常重要的。提出了一个基于同心超球面分割的支持向量预抽取方法,并在此基础上给出了HD-SVM训练算法。首先对样本的每一类分别用一些半径足够大的同心超球面进行分割,抽取出距离最优分类面较近的边界样本,这些样本最有可能成为支持向量;然后让边界样本作为初始工作集先参与训练。实验结果表明,该文的方法可以有效地对支持向量进行预抽取,避免了训练全部样本,使得训练速度明显得到提高。

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。

不等距超球体支持向量机

针对现实中经常遇到的各类样本分布范围相差很多、将各类样本误判的危害程度不同、或者各类样本数量差异悬殊等情况,提出了一种基于不等距超球体的SVM(NMS-SVM)算法。该算法以最大间隔为优化目标建立分类模型,同时引入距离比例参数λ,调整最优分类面到两类之间的距离。通过UCI数据库中数据集的分类仿真实验,比较了该算法与普通超球体算法以及最大间隔超球体算法的分类精度,证明了该算法的有效性。

基于异常识别和关联分析的桥梁数据复合诊断

提出了一种基于异常识别和多传感器关联分析的桥梁数据复合诊断方法。该方法利用超球面一类支持向量机对传感器数据特征进行异常识别,通过ε-支持向量回归机对多传感器测量值进行位置关联分析,从而判定该传感器数据异常是由外部荷载还是传感器自身故障引起。通过江阴大桥主梁加速度传感器的相关测量数据,表明了该方法的有效性。

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。

基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法;首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别;在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。

基于超球的支持向量机增量学习算法

支持向量机方法已经成功地应用于解决分类和回归问题,但是在训练支持向量机时需要求解二次规划问题,使得支持向量机的训练时间过长,训练样本量越大,这个缺陷越明显.将超球方法与回归支持向量机相结合,提出一种增量学习的新方法.该方法使用两个同心超球缩减训练集,以达到提高训练速度的目的.通过分析表明,这种新的增量学习方法较普通支持向量机训练方法有较低的计算复杂度.实验结果表明,该算法可以在不降低预测准确性的同时减少大量建模时间.

基于覆盖算法的SVM雷达辐射源识别

传统的支持向量机(SVM)多值分类算法在构造多个二值分类器时存在计算量较大和分类速度较低的问题。为此,将覆盖思想引入SVM分类算法中,提出一种基于覆盖的SVM多分类算法,通过构造覆盖集寻找更紧致的优化区域,从而提高分类速度。将该算法应用到雷达辐射源识别中,仿真结果表明,该算法能够获得较好的识别效果。

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.