基于SVM的综合评价方法研究

系统介绍了统计学习理论与支持向量机的基本思想,研究了它们在综合评价中的应用。分析了科研立项评审系统的设计方法,建立了基于的评审系统。文末比较了新评审系统和采用其它方法如模糊排序、神经网络等建立的评审系统所分别取得的拟合效果,比较结果SVM表明:采用支持向量机设计的评审系统结构简单、思路清晰且能取得更为理想的评审结果。

SVM方法在滚动轴承故障诊断中的应用

SVM方法是在统计学习理论的基础上发展起来的一种新的机器学习算法,它是统计学习理论的具体应用.讨论了SVM方法在故障诊断领域中应用的分类算法,并以滚动轴承为例进行了试验论证.

一种改进的SVM相关反馈图像检索方法

提出了一种改进的支持向量机SVM(SupportVectorMachine)的相关反馈图像检索方法。在这种方法的交互过程中,SVM分类器不仅对本次反馈过程中用户所提交的标记的正例和反例样本进行学习,还对历次反馈过程中的正例和反例样本进行学习,并根据训练后的分类器进行检索。实验结果表明,该方法在样本集非常小的情况下,仍可以检索出较多的相关图像,在有限训练样本情况下具有良好的推广能力。

支持向量机（SVM）在机械故障诊断中的应用研究

应用支持向量机算法，构建了SVM故障诊断模型，结合机械故障诊断实践进行了实际验证。结果表明：基于SVM分类算法应用于机械故障诊断，训练所需样本少、诊断效果好，明显优于BP神经网络，在状态监测与故障诊断方面具有良好的应用前景。

支持向量机理论及算法研究综述

介绍了SVM的理论基础和它的多种主要算法及这些算法的利弊与发展现状,并介绍了SVM在现实生活中的应用原理及应用现状。最后分析了SVM在发展中的不足之处,指出了其研究方向及前景,并提出在分布式支持向量机这个方向上可以进行更深层次的研究。

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。

电机故障诊断支持向量机

基于数据的机器学习是现代智能技术中的重要方面。统计学习理论 (Statistical learning theory SL T)是研究小样本情况下机器学习规律的新理论。支持向量机 (Supportvector machine SVM)是在这一理论体系基础上发展起来的一种通用学习方法。SL T和 SVM正成为继神经网络研究之后新的研究热点。通过对鼠笼式异步电动机转子断条故障进行实验模拟 ,对实验获取的采样电流信号经 FFT分析 ,构造以低频到高频的频谱特性为分量的学习样本向量 ,通过支持向量机 SVM对故障电流样本的训练 ,使 SVM具有分类功能。最后 ,采用 SVM对电动机各种转子断条故障进行诊断分类 ,取得较满意的结果 ,说明支持向量机 SVM是进行故障诊断的一种新方法。

基于粒子群优化支持向量机的变压器故障诊断

为了克服了人工神经网络(ANN)中存在的过拟合、收敛速度慢、容易陷入局部极值等缺点,提出了基于粒子群优化支持向量机(PSO-SVM)的变压器故障诊断方法,即将粒子群优化算法(PSO)用于SVM参数优化。PSO是一种智能群体搜索方法,它源于对鸟类捕食行为的研究。这种方法不仅具有很强的全局搜索能力,而且容易实现,适合于SVM参数优化。变压器故障诊断实例分析结果证明,PSO-SVM的诊断精度高于IEC三比值法、BP神经网络、普通的SVM,PSO-SVM适用于电力变压器故障诊断。

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 .支持向量机 (SVM)是一种基于统计学习理论 (SL T)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径 .本文介绍了支持向量机分类算法 ,以滚动轴承的故障分类为例 ,探讨了该算法在故障诊断领域中的应用 ,并与 BP神经网络分类方法进行了对比研究 .结果表明 ,SVM方法在少样本情况下的分类效果优于 BP神经网络分类方法 .

基于支持向量机的故障诊断方法

提出了基于支持向量机的故障诊断方法和步骤。诊断实例表明,与神经网络故障诊断方法相比,诊断小样本分析的支持向量机故障诊断方法具有分类能力强、推广能力好的特点。

基于支持向量机的洪水预报模型初探

用传统的机器学习方法进行洪水预报建模存在泛化能力难以保障,训练速度慢等一些困难。对统计学习理论和支持向量机的基本内容和核心思想进行了简要的介绍,探讨了基于支持向量机的洪水预报模型的建模方法。通过实例中的应用,该模型显示了泛化能力强,训练速度快,便于建模等优点,有良好的应用前景。

基于支持向量机的旋转机械非线性故障诊断研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 ,支持向量机(SVM)是一种基于统计学习理论 (SLT)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机分类算法 ,探讨了该算法在故障诊断领域中的应用 ,并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明 ,SVM方法在小样本情况下的分类效果优于BP神经网络。

一种基于密度法的支持向量预选取算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。预先选取支持向量用于支持向量机的训练是解决这一难题的思路之一,但其的选择非常困难。本文提出了一种基于密度法的支持向量预选取方法。该方法不需要事先判定训练样本是否线性可分,具有较强的抗击孤立点干扰的能力,并且计算简单,易于实现。实验仿真证明这种方法是有效的。

统计学习理论和支持向量机

介绍了统计学习理论和支持向量机的概貌,以及目前支持向量机方法研究的现状·

基于多层子支持向量机的多传感器故障诊断

支持向量机从二分类问题出发,构造最优分类超平面,实现基于结构风险最小化的最大间隔分类。然而故障诊断中,故障模式通常都有很多种,而且,判断出故障类型后往往还需要对故障程度进行判断。对于多分类问题,支持向量机已有的算法有“一对一”、“一对多”和“k分类”等。本文借鉴“一对多”算法,构造k个子支持向量机,实现对k个故障模式的分类。在此基础上,构造第二层支持向量机,实现对故障程度的评估。实验表明,基于多层子支持向量机的多传感器故障诊断,能非常成功地实现故障分离和故障评估。

支持向量机及在电力系统中的应用

支持向量机是20世纪60年代开始研究,在90年代得到快速发展的机器学习技术。为了系统地归纳统计学习理论与支持向量机的基本思想和算法,总结目前该领域的最新研究成果。通过对7种多分类支持向量机训练算法进行深入分析,得出其各算法的优、缺点,还归纳了支持向量机在故障预测和识别、电力系统等方面的应用,特别在电力系统暂态稳定评估与分析、电机故障诊断、高压输电线路故障诊断和定位、双凸极永磁发电机非线性模型、火焰监测以及电力系统负荷预测等方面的成功应用。研究表明,支持向量机克服了传统神经网络算法的局部最优、收敛难以控制、结构设计困难等优点。

支持向量机在电机转子故障诊断识别中的应用

提出了一种基于支持向量机的鼠笼式电机转子断条故障检测方法,通过对电机转子断条故障进行实验模拟,获取了采样信号,利用支持向量机(SVM)对故障样本进行训练,使得支持向量机(SVM)具有分类功能。最后,采用支持向量机(SVM)对电动机各种转子断条故障进行诊断分类,取得较满意的结果。

基于支持向量机的入侵检测方法

在入侵检测系统中应用支持向量机算法,使得该系统在先验知识较少的条件下仍具有良好的推广能力.基于此,对支持向量机在网络入侵检测中的应用进行了分析,构造了以支持向量机分类算法为基础的入侵检测模型,并利用KDD99入侵检测数据进行了仿真实验,分析了该模型的工作过程.实验结果表明:该模型在先验知识较小的情况下,能够较好地检测出入侵行为.

支持向量机算法及应用

系统介绍了统计学习理论和支持向量机的基本思想 ,总结、比较了二分类和多分类 2种情况下支持向量机的主要训练算法。与人工神经网络相比 ,分析了支持向量机的优点。归纳了支持向量机在模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子中的应用。

支持向量机理论与应用

支持向量机(support vector machine, SVM)是基于统计学理论的一种典型的机器学习方法,具有坚实的理论基础,较强的推广能力,在解决小样本、非线性、高维度的问题上SVM表现出较好的学习性能。随着研究的深入, SVM被广泛应用于各个领域,本文介绍了统计学和支持向量机的基本理论,支持向量机的相关应用研究及未来研究方向和发展前景。