基于混沌后处理的SVM-PCA精确工程预算估计模型

传统的估计模型采用线性方法,预算估计结果差。提出一种基于混沌后处理的SVM-PCA精确工程预算估计模型。在SVM模型的基础上,采用PCA方法,对输入系统的一些冗余信息进行清除过滤,保证输入信息数据的贡献率,数据输出后,采用混沌后处理的方法对数据参差特性进行平滑处理,保证系统工程预算估计模型的精确性。最后采用一组10大类元素的5个工程进行预算估计实验,结果显示,采用基于混沌后处理的SVM-PCA精确工程预算估计模型后,每个工程中的核心消耗均被精确的估计出来,具有很好的工程应用价值。

高校大学生实验室安全意识评价模型的构建

为减少实验室安全事故的发生和提高大学生的实验室安全意识,设计了实验室安全意识影响因素调查问卷和大学生实验室安全意识评价调查问卷,利用层次分析法—熵权法(AHP-EWM)主客观相结合的方法建立高校大学生实验室安全意识评价体系。通过主成分分析法(PCA)处理,再选取累计贡献率超过95%的评价指标进行布谷鸟搜索(Cuckoo Search, CS),最后结合混合优化支持向量机(SVM)建立PCA-CS-SVM大学生实验室安全意识评价模型。验证结果表明,与PCA-LS-SVM和PCA-GA-SVM模型相比,PCA-CS-SVM模型的预测值与实际值的误差较小且评价等级与实际值保持一致,具有较高的准确性和可靠性,可用于高校大学生实验室安全意识评价。

基于PCA-SVM结合共聚焦拉曼光谱的特级初榨橄榄油掺伪压榨菜籽油定量分析

为了促进国内橄榄油市场的健康发展,对掺伪同样存在天然类胡萝卜素的低温压榨菜籽油的特级初榨橄榄油进行了定量鉴别研究。采用共聚焦拉曼光谱技术对不同掺伪浓度油样进行测试,基于密度泛函理论对油样的拉曼光谱峰的归属进行了理论分析,并对拉曼光谱数据进行主成分分析(PCA),然后利用支持向量机(SVM)构建PCA-SVM模型。另外,对PCA-SVM模型的检出限进行了研究。结果表明:特级初榨橄榄油与低温压榨菜籽油的拉曼光谱存在一定差异,最明显的光谱差异主要集中在谱峰1008、1161、1528 cm^(-1)和谱段2800~3000 cm^(-1)内,与密度泛函理论对不同油样拉曼光谱峰的分析一致;不考虑类胡萝卜素特征信号建立的PCA-SVM模型决定系数大于0.989,均方根误差小于2.990%,检出限为2%(低温压榨菜籽油体积分数);在特级初榨橄榄油掺伪定量分析中,考虑类胡萝卜素的特征信号有助于提高模型预测精度,但仅限于掺伪低价植物油中无类胡萝卜素存在的情况;PCA-SVM模型在不考虑类胡萝卜素特征信号的情况下依然具有良好的定量预测效果。综上,所建立的PCA-SVM模型可以用于掺伪2%以上低温压榨菜籽油的特级初榨橄榄油的定量鉴别。

基于多传感器信号的主轴回转误差在线回归预测方法研究

通过对主轴回转误差形成机理分析,基于多传感器信号构建了主轴回转误差回归预测模型。首先,使用LMD分解方法和皮尔逊相关系数算法对主轴回转误差密切相关的主轴前轴承振动信号、主轴电流信号和前轴承声发射信号进行特征量提取和寻优降维,克服了以往机床主轴回转误差预测中原始信号类型过于单一的问题。其次,针对各监测信号与机床主轴回转误差之间的非线性问题,利用支持向量机模型特有的RBF核函数实现多输入量下的非线性预测、找到数据之间的复杂关系,但模型中宽度系数σ、惩罚因子C和不敏感损失系数ε的有效确定是建立其RBF核函数的难题,为此建立了基于粒子群算法的支持向量机模型对主轴回转误差进行回归预测。再次,为评价该模型的有效性,提出了基于均方误差、平均绝对误差和决定系数的主轴回转误差回归预测模型评价方法。最后,使用i5m4数控加工中心对上述预测模型进行了实验研究,结果表明:该PSO-SVM回归预测模型的均方误差为0.19%,平均绝对误差为4.58%,决定系数为0.9237,相对于优化前模型,该PSO-SVM回归预测模型可准确有效实现主轴回转误差的预测。

基于RS-PCA-SVM的建筑项目安全预测模型

为了减少建筑项目安全事故的发生,文章提出一种基于RS-PCA-SVM建筑项目安全组合预测模型,采用粗糙集理论(rough set,RS)对数据进行属性约简,剔除交叉和冗余信息,降低输入变量维数和计算复杂度,减少训练时间;利用主成分分析(principal component analysis,PCA)法进行降维处理,除去贡献率较低的主成分,将剩余主成分作为支持向量机(support vector machine,SVM)的输入变量,并选择自适应权重粒子群优化算法(particle swarm optimization,PSO)优化SVM的参数,避免参数选择的盲目性。结果表明:该模型的平均预测准确率为93.78%,相比传统方法预测精度高、计算速度快。

基于APSO-LSSVM的航空发动机轴承故障诊断及寿命预测

航空发动机轴承在高速、高温、高载荷等极端工况下易发生机械故障,为了提前预警,提出了一种基于自适应粒子群优化(Adaptive Particle Swarm Optimization,APSO)算法的最小二乘支持向量机(APSO Least Squares Support Vector Machine,APSO-LSSVM)对滑油系统中轴承磨屑进行在线监测的故障诊断及寿命预测。通过主成分分析法(Principal Components Analysis,PCA)对滑油磨屑信息进行降维处理,构建特征向量,并将特征向量输入APSO-LSSVM模型,对轴承故障状态进行分类并对轴承剩余寿命进行预测。结果表明:使用PCA可以保留数据样本99.9%的信息,同时还能极大地降低数据维度;与遗传算法(Genetic Algorithm,GA)、灰狼优化(Grey Wolf Optimization,GWO)算法、粒子群优化(Particle Swarm Optimization,PSO)算法的支持向量机相比,所提算法因采用了自适应调节粒子移动步幅,在进行轴承状态分类时准确率更高,分类正确率可达95.56%,同时在进行轴承剩余寿命预测时具有较好的准确度和泛化性。

拉曼光谱与机器学习结合的微塑料精确识别研究

全球微塑料污染的日益加剧对生态环境和人类健康构成了显著威胁。然而,现有微塑料检测技术在分析效率和准确性方面存在不足,迫切需要开发新方法以提升分析能力。通过研究光谱预处理、主成分分析(Principle Component Analysis,PCA)、支持向量机(Support Vector Machine,SVM)、线性判别分析(Linear Discriminant Analysis,LDA)、K-最近邻(K-Nearest Neighbors,KNN)以及决策树(Decision Tree,DT)等算法对微塑料拉曼光谱的智能识别效果。采集6种常见微塑料标准样品的拉曼光谱数据,通过“平滑+基线校正+归一化”的联合预处理技术,有效提高了模型的预测精度。通过PCA技术实现数据降维和模式识别,获得微塑料样本间的关键差异。多种机器学习模型的应用与性能评估结果表明,LDA模型在塑料制品的识别上表现最佳,准确率和召回率为65%,特异性高达93%,查准率为73%,F1分数为54%,证实了方法在实际微塑料检测中的可行性和准确性。采用的拉曼光谱与机器学习结合的方法在微塑料鉴别中具有显著优势,不仅提高了分析效率,还提高了鉴别精度,在塑料成分鉴定中具有广阔的应用前景。

SVM方法在某多级离心泵故障诊断中的应用

针对实际工程中多级离心泵故障样本难获取的现象,通过多级离心泵故障模拟试验台模拟实际产品的碰摩、不对中、不平衡三种典型故障,基于支持向量机(Support Vector Machine,SVM)建立故障诊断模型的方法实现故障的分类。采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法提取振动信号的时频域特征,结合时、频域和信息熵特征构造高维特征样本后,以主成分分析(Principal Component Analysis,PCA)优化输入样本质量,实现对故障的高效分类。另外,对比分析SVM和反向传播(Back Propagation,BP)神经网络的分类效果,表明SVM模型分类的效果更好,在多级离心泵的故障诊断中具有良好的适用性。

基于粗糙集理论与PCA-APSO-SVM的沥青路面使用性能预测

针对传统沥青路面使用性能预测精度较低的问题,建立了基于粗糙集理论(rough set,RS)与主成分分析法(principal compoent analysis,PCA)-自适应粒子群算法(adaptive particle swarm optimization,APSO)-支持向量机(support vector machine,SVM)的沥青路面使用性能预测模型。基于沥青路面的时序指标与影响因素指标,建立了11个初始预测指标(包括前3年的路面使用性能、当量轴次、路龄、养护性质、坑槽率、修补率、年降水量、平均气温、日照时数);通过RS属性约减筛选出9个核心指标;利用PCA提取4个主成分,得到了基于4个主成分的数据集;将APSO引入到SVM中,对数据集进行训练,并优化了SVM模型参数;建立了路面使用性能的PCA-APSO-SVM预测模型,并以G6京藏高速甘肃境内某段道路为例,对路面使用性能进行预测。研究结果表明:PCA-APSO-SVM模型预测精度较PCA-PSO-SVM、APSO-SVM、PSO-SVM有较大提高,预测结果与实际情况更加符合,能为路面养护决策提供相关参考。

基于决策灰狼优化支持向量机的指挥控制网络故障检测方法

针对复杂战场环境下,我军传统指挥控制网络故障检测方法准确率较低、耗时较长等问题,提出了一种基于决策灰狼优化支持向量机的方法来实现指挥控制网络故障检测。对采集到的网络故障数据集进行归一化处理;再利用主成分分析法(principal component analysis,PCA)对数据集进行降维处理从而剔除数据集中信息量较少的维度;构建支持向量机(support vector machines,SVM)模型,并运用决策灰狼优化(decision gray wolf optimization,DGWO)算法来进行全局寻优,以狼群所在的位置来代替SVM中核函数与惩罚因子的取值,通过不断地迭代寻优来更新狼群的位置,获得最优的核函数及惩罚因子,从而进行指挥控制网络故障检测。实验结果表明所提方法与其他方法相比检测准确率达到了98.68%,具有更高的实用性和有效性。

基于ISSA-SVM的钻井卡钻事故预测

为预防钻井过程中卡钻事故的发生,通过提出了一种改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machines,SVM)的预测模型方法(ISSA-SVM),在发现者位置更新公式中引入一种改进的自适应非线性惯性递减权重;在警戒者位置更新公式中引入莱维飞行策略。利用主成分分析法(principal component analysis,PCA)对外国某大型油田的实测钻井数据进行降维处理,并利用惩罚参数和核参数进行卡钻事故的预测。实验结果表明:ISSA-SVM的预测准确率高达85.1852%,且收敛速度更快,可见ISSA-SVM可有效预测钻井卡钻事故。

基于高光谱遥感技术的田间地膜识别研究

白色地膜呈透明状,当其覆盖在土壤上时,与土壤颜色相近,难以区分。针对该问题,提出了一种基于无人机高光谱成像技术的识别方法。论文以贵州省毕节市双龙镇为研究区,采集田间地膜低空遥感高光谱图像,然后对高光谱图像进行镜头、反射率、大气校正,建立田间地膜、土壤、植物的感兴趣区(ROI),最后分别利用支持向量机(SVM)、主成分分析法(PCA)、波谱角分类(SAM)和特征光谱段(FSS)四种方法来对高光谱图像中的地膜目标进行识别,结合最大类间方差阈值分割,形态学处理对识别的结果进行优化,得到田间地膜的面积与分布。结果显示:对于土壤中的较亮的部分和地膜中凹陷的部分,SAM和SVM显然比PCA和FSS的识别效果更好;对于植物叶片的边缘,SAM识别效果优于SVM。在识别效果评估中,SAM识别的效果略优于SVM。SAM识别的准确率为95.76%,精准率为90.48%,召回率为99.13%,精准率与召回率的调和平均值为94.61%。论文提出的SAM方法为低空遥感高光谱图像的田间地膜识别提供了新方法。

基于电网调度运行的智能防误方法研究

针对电网调度过程中,相关节点数据异常监测和防误不及时的问题,设计一个基于电网调度运行的智能防误系统。系统通过嵌入式技术,将精确字符集(BM)算法融入电网调度数据监测中,通过优化监测数据达到精确数据的目的;对于超过设定值的异常数据,利用支持向量机(SVM)—主成分分析(PCA)算法进行防误校核,实现电网调度智能防误。实验结果表明,该系统能通过故障线路电流出现明显的波动,更准确地诊断出故障元件;电网调度防误准确率稳定在96%左右,最高达97%,且变化趋势不大。

变电站二次防误技术研究

针对二次设备状态转换过程中易发生误操作的问题,设计了一种智能变电站二次防误系统。采用直流系统、站用电低压系统、监控系统、二次控制回路、微机保护装置、测控装置和计量装置等构建防误系统;基于SVM和PCA算法的融合模型实现对变电站的一二次设备状态参数的实时监测;对变电站二次设备参数分析。试验结果表明,通过系统二次防误的精准度高达九成以上,为下一步研究奠定基础。

基于主成分分析-支持向量机算法的绝缘子污秽太赫兹检测研究

为解决绝缘子污秽程度检测问题,提出了一种基于太赫兹时域光谱技术结合主成分分析-支持向量机模型的绝缘子污秽程度的非接触式检测方法。使用太赫兹时域光谱系统对不同污秽程度的人工污秽样本进行检测,获取样本的太赫兹光谱数据;提取样本的吸收系数用于主成分分析,建立支持向量机分类模型用于划分样本有无污秽、样本的污秽程度。结果表明,硅橡胶表面污秽程度在时域、频域、折射和吸收谱图上没有明显差异;基于吸收谱数据的主成分分析-支持向量机模型区分出有无污秽准确度为100%;基于吸收谱数据建立的支持向量机多分类模型对于测试集的识别准确率为92.5%。太赫兹时域光谱技术可应用于绝缘子污秽程度的检测,为绝缘子污秽程度的检测提供了新方法。

基于拉曼光谱技术对不同厂家及批次外用溃疡散的分类鉴别研究

为了快速检测不同厂家及批次外用溃疡散,以拉曼光谱技术结合主成分分析(PCA)-支持向量机(SVM)分类模型对不同厂家及批次外用溃疡散进行了分类鉴别。结果显示,虽然拉曼光谱的差异十分微小,几乎无法用肉眼直接进行分类鉴别,但是通过PCA-SVM分类模型能够对不同厂家及批次外用溃疡散进行准确的分类鉴别,且准确率均为100%。该方法且具有快速、准确、无损、简便等优点,对不同厂家及批次外用溃疡散的分类鉴别和质量监控具有潜在的应用价值。

基于PCA和多分类SVM的网络游戏流量识别

传统机器学习从原始网络游戏流量准确提取特征面临巨大的困难。目前,已有研究者使用深度学习从原始流量中自动化提取特征,然后再进行流量分类。论文针对深度学习模型开销较大,计算复杂度较高等问题,提出了一种基于PCA和多分类SVM的网络游戏流量识别模型。首先将游戏流量预处理为28×28的灰度图,然后利用主成分分析PCA进行特征降维,最后基于多分类SVM算法进行游戏流量的分类和识别。经过三折交叉实验,结果表明在保持较好的分类效果基础上能够实现较低的计算复杂度。

基于SVM的小样本不均衡HRRP舰船目标分类方法

针对实测HRRP军船民船分类时出现的小样本不均衡问题,提出一种联合Relief算法和PCA算法的特征提取方法,并引入过采样算法及误差迭代加权方法改进SVM分类器。该分类方法对原始高维HRRP图像进行预处理及特征子空间加权,增强了主要特征的可分性,改进的SVM分类器经过迭代加权后分类效果明显提升。作为比较,针对相同实测HRRP舰船目标数据集,分析了自适应增强SVM分类器的分类效果。实验结果表明:提出的改进核空间的迭代加权Smote-SVM分类方法识别效果更好,对高分辨距离像的姿态敏感性具有较好的适应能力。

智能运动信息采集分析系统研究

文中设计并实现了一套基于多通道表面肌电(Surface Electromygraph,sEMG)的信号采集、传输和智能分析的运动信息分析系统。该系统主要分为硬件、软件和算法分析三部分:硬件部分包含AD623和TLC2274/2搭建的放大滤波电路,实现信号的预处理和数模(Analog-to-Digital,A/D)转换,并通过蓝牙模块将数据传输到上位机;软件部分包含一个可用于采集数据与评价结果实时显示的上位机软件;算法分析部分提出一种基于主成分分析(Principal Components Analysis,PCA)和遗传算法(Genetic Algorithm,GA)改进的支持向量机(Support Vector Machine,SVM)分类方法,实现多通道sEMG信号的特征值提取、模型训练及分类功能。通过应用该系统对哑铃动作、俯卧撑动作及间歇期动作的多通道sEMG信号进行采集分析,系统的识别准确率达到96.7%,可应用于健身动作的识别与分析实验中。

基于机器视觉的轴承缺陷检测研究进展

机器视觉是一种用机器替代人眼进行测量和检测的技术,这种技术应用于缺陷检测具有效率高、速度快、成本低等优点,许多学者将其应用在不同领域(农业、航空航天等),并取得了较好的成果,目前轴承领域也逐渐采用该检测方法。因此,需对应用于不同轴承缺陷及机器学习、深度学习下的轴承缺陷检测算法进行综述,并对其缺陷检测算法的性能进行分析归纳及对比。首先,探讨分析了轴承缺陷形成的磨损机理,并详细介绍了轴承常见磨损形式(腐蚀磨损、疲劳磨损、黏着磨损、滚道磨损等);然后,分别介绍了基于机器学习和深度学习的检测算法的区别及特点;其次,列举了机器学习的算法及深度学习的算法用于轴承缺陷检测的研究应用与分析,主要包括机器学习的人工神经网络、主成分分析、支持向量机等,及深度学习的单阶段和双阶段目标检测算法的应用;最后,为了促进深度学习算法用于轴承缺陷的诊断,针对具体问题提出了轴承缺陷检测的挑战和未来研究方向并给出了详细的建议,对机器视觉在轴承缺陷检测中的研究现状提出了总结与展望。