一种多分类器协同的半监督分类算法SSC_MCC

为了提高半监督分类性能,提出了一种多分类器协同的半监督分类算法SSC_MCC.算法采用双层结构集成,使用多条件判断挖掘未标记样本信息,扩充有标记样本.第一层中,采用三分类器协同投票一致策略实现对未标记样本进行标记,第二层中采用基于正确分类率的分类器加权投票决策标记未标记样本,扩充有标记样本,用最终生成的有标记样本训练分类器,实现半监督分类.最后,使用UCI数据集模拟半监督实验,结果表明SSC_MCCL较好地提高了半监督分类性能.     

联合空谱信息的高光谱影像半监督ELM分类

针对高光谱影像处理应用中,标记样本往往数量较小且质量不均而未标记样本大量存在的问题,结合半监督学习方法,提出一种面向高光谱影像分类的半监督极限学习机分类算法.首先根据图理论,联合高光谱影像空间光谱信息,对标记和未标记样本共同构建无向加权图;然后,考虑平滑性约束和结构最小化原则,构造分类目标函数;最后,利用核方法求解最优参数,进而实现高光谱影像的半监督分类.采用该方法进行分类对比实验,结果表明:该方法能够有效利用未标记样本信息,提高小样本下的高光谱影像分类精度.     

基于多模态生成模型的半监督学习

随着进入大数据时代,"标记数据少,而未标记数据多"的现象越来越普遍.半监督学习是充分利用样本中"廉价"的未标记样本,让学习器不依赖外界交互、自动地利用未标记样本提升学习性能.通过构建多模态概率生成模型对数据进行建模,然后分析该模型上的监督学习过程和非监督学习过程,最后结合两种学习过程实现半监督学习.通过在MNIST数据...     

基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.     

基于数据模糊性的PU学习研究

PU学习是指从正例样本和无标记样本中训练分类器的一种学习方法.针对传统PU学习中所含初始正例过少,难以有效地从无标记样本中选出可靠负例,且分类过程易受噪声点影响等问题.本文提出了一种基于数据模糊性来提取无标记样本中有效信息的PU学习方法:先对正例无标记样本集进行半监督聚类,选出靠近正例样本的低模糊度数据来扩充初始正例集,并选择远离正例样本的低模糊度数据作为可靠负例;再剪辑掉无标记样本中高模糊度数据;最后在扩充后的正例样本集和可靠负例集上训练分类器,对初始无标记样本集进行分类.在标准数据集上的对比实验证实了提出算法的有效性.     

基于半监督学习的人体异常行为识别

需要进行人体异常行为识别的视频一般都是未标记的序列图像,传统的有监督的识别方法往往不能较好地反映其行为的特征,识别率不高.提出了一种基于半监督学习的人体异常行为识别方法,首先使用基于DTW距离的self-training进行标记数据扩充,然后用此扩充的序列图像样本集合训练对应的HMM,最终进行异常行为识别.实验结果证明该方法有效且识别率较高.     

基于半监督学习的单类分类器

半监督学习是一种利用有标记样本和无标记样本进行学习的新的机器学习方法。针对单分类中只有目标类标记样本和大量无标记样本的情况,提出了一种基于半监督学习的单类分类算法。利用已标识的有标记样本建立两个单类分类器,通过相互学习来挖掘未标记样本中的隐含信息,扩大有标记样本的数量。利用所有已标识样本,用不同的单分类方法建立多个单类分类器,通过集成学习的方法得到最终的分类器。在UCI数据集上进行了实验,表明提出的基于半监督学习的单类分类器的有效性。     

半监督学习理论及其研究进展概述

半监督学习介于传统监督学习和无监督学习之间,是一种新型机器学习方法,其思想是在标记样本数量很少的情况下,通过在模型训练中引入无标记样本来避免传统监督学习在训练样本不足(学习不充分)时出现性能(或模型)退化的问题.半监督学习已在许多领域被成功应用.回顾了半监督学习的发展历程和主要理论,并介绍了半监督学习研究的最新进展,最后结合应用实例分析了半监督学习在解决实际问题中的重要作用.     

基于仿真样本生成的极速学习机泛化能力改进算法

极速学习机出色的训练速度和泛化能力受到了广泛的关注,已有的针对于提升极速学习机泛化性能的学习算法主要集中于优化其框架结构,增加了模型的复杂度并容易产生过拟合.提出一种基于仿真样本生成策略的极速学习机泛化能力改进学习算法(Extreme Learning Machine Generalization Improvement through Synthetic Instance Generation,SIGELM),该算法不需要修改极速学习机的框架结构(包括输入层权重、隐含层偏置、隐含层节点个数、隐含层节点激活函数类型等),而是利用与训练集中高不确定性训练样本近似同分布的仿真样本优化极速学习机的输出层权重.为了获得符合要求的仿真样本,SIGELM在高不确定性训练样本的邻域内选择能够增加极速学习机训练表现的仿真样本.实验结果证实该算法显著地改进了极速学习机的泛化能力,同时有效地控制了极速学习机的过拟合.     

基于半监督学习的SVM-KNN

提出一种新的基于半监督的SVM-KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM.KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界.实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价.     

带转子电阻估计的感应电机无速度传感器控制

对于转子电阻未知的感应电机提出了一种可以估计转子电阻的转速估计方法.该方法假设定子电阻已知,用改进的电压模型估计转子磁链.然后根据感应电机的静止坐标系模型推出转速和转子电阻的表达式,在已知转子磁链的情况下,将这两个表达式看作一个二元一次方程组,解出转速和转子电阻的解析表达式,分析了这两个量的表达式的成立条件.提出了感应电机的无速度传感器控制方案.仿真研究表明,本文提出的方法能准确地估计感应电机的转速和转子电阻.     

用人工神经网络实现对感应电机转速的估计

为了准确估计电机的转速,提出了基于人工神经网络的转速估算方法。从感应电机的动态方程出发,推导出了转速的表达式,然后根据转速与定子电压、定子电流、转子磁链之间的非线性关系,建立了两种人工神经网络转速估计模型。仿真结果表明,这两种基于人工神经网络的转速估计模型可以准确跟踪电机转速的变化,即使转子电阻参数发生变化,这两种转速估计模型仍具有良好的性能     

基于AFO 的感应电机无速度传感器控制

针对传统的基于模型参考自适应理论MRAS(Model Reference Adaptive System)的感应电机无速度传感器控制系统存在的参考模型不准确的缺点, 提出了一种以电机本身为参考模型, Luenberger 全阶状态观测器为可调模型的自适应无速度传感器AFO(Adaptive Full-Order Observer)控制策略。整个系统包含产生电机所需转子 磁链的全阶观测器和一个使用自适应率估计转速的转速估算机构。以李雅普诺夫稳定性理论为基础, 使用电机的估算定子电流误差和观测出的转子磁链推导出转速自适应率。以观测器极点配置的方法, 设计了一种快速收敛的反馈矩阵, 保证了在大范围内电机的稳定运行。针对转速估计在低速再生制动时的不稳定现象, 利用劳斯稳定判据, 设计了一种新的反馈矩阵保证转速估算的全局稳定性。通过Matlab/ Simulink 仿真验证了结论的有效性。     

大转动惯量负载用感应电机转子起动温升分析

大转动惯量负载用感应电动机是发电厂用于拖动风扇磨煤机旋转的专用感应电动机。由于风扇磨煤机的转动惯量大,使得拖动其旋转的电动机具有转动惯量大、起动电流大、起动时间长等特点,导致该种电动机起动过程的转子发热问题尤为突出。为了提高大转动惯量负载用感应电动机的起动可靠性,以一台国内最大容量的大转动惯量负载用感应电动机为研究对象,采用分点计算与曲线拟合的方法,建立了起动过程中转子铁耗、铜耗以及转子表面散热系数随转速变化的计算模型,利用有限元法对其起动过程中转子部件的损耗和温升进行了计算与分析。结果表明,该电动机的起动时间长达48s,在起动过程中转子铁耗、铜耗以及表面散热系数均随转速而变化,起动完成后转子最高温升达到141.1K。     

基于非线性模型的异步电机高性能驱动系统的研究

为了提高磁场定向异步电机驱动系统的起动性能和运行效率 ,构造了由电机和逆变器构成驱动系统的损耗模型 ,分析了励磁电流对驱动系统效率的影响。应用一种新的基于 MT同步旋转坐标系下考虑异步电机主磁路饱和的非线性数学模型 ,设计了磁场定向矢量控制系统 ,通过实验验证了 ,适当地控制异步电机的转子磁链可以提高电机瞬时转矩 ,加快电机的起动过程 ,同时也可以在轻载或者额定工况下提高电机和逆变器的效率。从而提高整个驱动系统的利用率     

基于观测器的无速度传感器感应电机控制

为了辨识感应电机的转速,提出了一种模型参考自适应观测器.该观测器基于模型参考自适应系统(model reference adaptive system,MRAS),将感应电机和全阶观测器分别作为参考模型和可调模型,基于两模型输出之间的误差构造了一个自适应律,通过自适应律不断调整观测器的参数,全阶观测器的输出将实现对实际系统输出的跟踪,并用李雅普诺夫稳定性定理验证了系统的稳定性.理论分析和仿真结果表明,所提出的感应电机无速度传感器矢量控制系统的转速辨识方法具有令人满意的动静态性能.     

矢量控制感应电机参数变化的影响研究

在感应电机数学模型的基础上，分析了在转子磁场定向恒磁通矢量控制感应电机控制系统中转子电阻和电机电感变化的影响，证明了电机电感的变化对电机转速和电磁转矩不产生影响，建立了考虑电机参数变化时电机矢量控制的数学模型，仿真结果表明该模型具有结构简单和分析方便等优点。     

低速段异步电动机直接磁场定向控制

为了改善交流异步电动机无速度传感器控制系统低速运行时转速脉动的问题,采用直接磁场定向控制算法.该算法利用电流模型磁链观测器与反电势积分模型相结合的方法对电动机转子磁链的幅值和相位进行检测,并通过电流模型对转子转速进行辨识构成速度反馈回路.仿真结果表明,所采用的异步电动机直接磁场定向控制可以提高电动机的动态响应速度,使电动机有较好的参数不敏感性,能够在低速运行时取得较好的动静态性能.电流模型与反电势积分模型相结合的磁链观测方法,能够使交流异步电动机无速度传感器控制系统在高速及低速运行时都具有良好的动静态性能,增加了电动机的有效调速范围.     

基于铜损等于铁损的异步电动机最佳效率控制

提出了一种异步电动机最佳效率的控制方法，该方法从电机的损耗模型出发，直接检测电机的铜损和铁损，调整电机子端的输入电压，从而得到在一定频率，不同负载时电机运行于最佳效率的输入电压值，使电机保持最佳效率运行。并用MATLAB的SIMULINK仿真工具进行了仿真实验，结果表明，该控制方法直接，简单，能够达到很好的节能效果。     

基于DSP的无速度传感器异步电机矢量控制系统

为提高异步电机控制系统的可靠性和适应性 ,提出了一种基于 DSP(TMS32 0 C32 )的无速度传感器异步电机矢量控制系统 ,介绍了异步电机矢量控制的基本方程式 ,并根据这些基本方程式分别建立了改进的电压型转子磁链的估算模型和 PI自适应速度估计算法 ,并给出了部分仿真结果。系统的实验结果表明 ,这种基于 DSP的无速度传感器异步电机矢量控制系统具有良好的性能