基于支持向量机的结构损伤识别研究

支持向量机(SVM)是一种针对分类和回归问题的统计学习理论,能有效地解决模式识别中的分类问题.该文提出了基于支持向量机的结构损伤识别方法:以归一的频率变化比(NFCR)和归一的损伤指标(NDSI)作为特征参数,训练支持向量机进行损伤识别.用一个12层钢混框架有限元数值模型进行验证,同时分析了影响SVM模型性能的主要因素.结果表明,本文提出的方法具有较高的损伤识别能力,而核参数的选择对识别精度有较大影响.     

基于KPCA-LSSVM的发动机PT燃油系统故障诊断

为有效解决PT燃油系统进油油路堵塞、滤清器泄漏、喷油器油路堵塞等多种典型故障诊断问题,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的故障识别方法。首先计算油压信号的时域特征集,然后采用KPCA对原始多维初始特征向量进行特征提取,最后将经过KPCA提取的主特征向量输入经多种群遗传算法(MPGA)优化的LSSVM中实现故障类型的识别。实验结果表明,KPCA提取的主特征向量有效表达了原始故障的特征信息,相比于传统的BP神经网络和未经参数优选的LSSVM等分类模型,基于KPCA-LSSVM的故障识别方法速度更快、分类准确率更高。     

核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的ISSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.     

基于改进的KPCA的TOFD图像缺陷识别方法

针对TOFD D扫描图像缺陷提出一种新的缺陷识别方法.该方法首先采用KPCA(核主元分析算法)进行特征提取,并采用微粒群算法(PSO)自动优化核参数δ,最后用SVM分类器完成特征识别.在134幅TOFD缺陷图像中,分别采用(PCA+SVM)、(KPCA+SVM)和(PSO-KPCA+SVM)三种方法进行试验,试验结果表明,所提出的方法识别正确率更高.     

基于SKO—KPCA和SVM的雷达目标HRRP特征提取与识别

将依赖数据变化的自适应SKO技术和迭代算法引入KPCA算法中,结合SVM分类技术,提出了基于SKO-IKPCA和SVM的雷达目标HRRP特征提取与识别方法.讨论了HRRP预处理、迭代KPCA算法和SKO/FKO技术的实现方法,将SKO/FKO技术应用到KPCA的核优化中,并用人工合成数据对其优化性能进行了测试与比较,应用该方法对Su-27、F-16及M2000等三类飞机目标的实测HRRP数据进行了特征提取与识别实验.结果表明,所提方法具有较好的稳定性和可靠性,能有效地优化雷达目标主元特征的提取,提高目标的识别性能.     

一种基于改进RVM变压器故障诊断新方法

对比于支持向量机(SVM),相关向量机(RVM)在分类性能方面优势明显.引入核主成分分析(KPCA)和量子粒子群算法(QPSO)对RVM电力变压器故障诊断模型进行优化.设定标准化的变压器主要特征气体含量为输入量,以二叉树的分类方法建立基于KPCA-QPSO-RVM的变压器故障诊断模型.通过实例分析,并且与SVM、RVM方法对比,证明该方法可以取得更优秀的故障诊断精确率,相关向量个数明显少于支持向量个数,诊断速度显著提高.     

基于AR和SVM的运动想象脑电信号识别

针对不同思维运动中EEG信号识别,提出了一种基于自回归模型参数和支持向量机的识别方法.针对2008年BCI Competition Ⅳ Data sets 2a数据集中想象左右手运动的两类思维运动脑电信号,运用自回归模型进行特征提取,支持向量机进行特征分类.采用不同的核函数进行分类对比实验,该识别方法的正确识别率达到7...     

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。     

一种基于CSI的跌倒检测方法

针对传统人体行为识别方法系统搭建成本高、部署复杂且存在侵犯隐私等问题,提出一种使用商用Wi-Fi设备获取信道状态信息CSI进行人体行为识别与跌倒检测的方法.通过提取信道状态信息CSI中的幅度和相位特征作为基础信号,并使用功率谱熵作为新特征建立指纹库.采用基于人工鱼群算法AFSA修正的支持向量机SVM对动作进行分类识别,通过对SVM中的参数惩罚因子和核函数参数进行优化选择达到优化分类的效果.根据真实环境数据验证表明,平均识别率达到94.64%.     

航空发动机孔探损伤识别方法

针对目前航空发动机孔探检测不能对损伤类型自动识别现状,将支持向量机与孔探检测技术相结合,提出基于支持向量机（SVM）的损伤图像识别方法。该方法将损伤图像进行二值化分割,利用链码跟踪及灰度共生矩阵分别提取损伤区域的形状特征和纹理特征,组成多维特征向量,输入支持向量机进行分类识别。分类器设计阶段,组建性能优越的二叉树支持向量机以减少训练样本,提高分类效率。CFM56发动机实验结果表明：该方法的识别性能明显优于传统SVM多分类器和BP神经网络方法。     

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。     

基于改进GOA-SVM算法的异常流量识别

异常流量的准确识别在网络安全中起着重要作用,支持向量机(Support Vector Machine,SVM)已经成功地应用于分类和函数逼近等方面,而核函数参数和惩罚参数(C)的选取对SVM的分类性能起着关键作用.为了提高SVM的分类性能,提出一种基于改进蚱蜢算法优化SVM的异常流量识别方法,命名为SAGOA-SVM.在对蚱蜢算法进行实验研究后发现其局部搜索能力较弱,本文通过引入模拟退火算法和位置偏移机制增强蚱蜢趋向食物源的随机性来改进蚱蜢算法优化SVM参数的性能,从而提高SAGOA-SVM算法对异常流量的识别率.在选取的7个标准UCI数据集上的实验结果表明,所提出的SAGOA-SVM算法有很好的分类精度和性能.     

基于自编码神经网络的高分辨率距离像降维法

为了提高支持向量机(SVM)分类效率,大幅减少以高分辨率距离像(HRRP)功率谱为特征的支持向量机目标识别分类器的计算量,采用自编码神经网络深度学习方法,实现高维、非线性HRRP功率谱的数据降维。在此基础上,提出了Autoencoder-SVM模型,综合利用自编码神经网络的特征提取能力和SVM的分类能力。仿真结果显示,在HRRP功率谱降维方面,自编码神经网络的降维效果远好于核主成分分析和等距映射算法,其降维结果对SVM分类结果影响甚微,但大幅缩短了SVM的计算时间;同时,在隐层节点数相同的情况下,随着隐含层数的增加或者深度的增加,自编码神经网络数据降维或特征提取效果更好。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于HOG特征提取和模糊支持向量机的西夏文字识别

提出了基于方向梯度直方图(Histogram of oriented gradient, HOG)特征提取和模糊支持向量机(Fuzzy support vector machine, FSVM)的西夏文字识别技术.在模糊支持向量机模型中引入了新的隶属度函数,构造了基于多超平面的模糊支持向量机模型,增强了分类能力,降低了噪声点的干扰,提高了分类效率.将HOG特征提取和FSVM相结合应用于西夏文字识别,提高了文字识别效率.通过在数据集上测试,并与已有的文字识别方法相比较,结果表明,HOG特征提取结合FSVM的方法性能优于现有的其他方法.     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.     

基于主成分分析和球结构支持向量机的人耳识别方法

提出一种基于主成分分析和球结构支持向量机的人耳识别方法.首先将人耳从侧面人脸中提取出来,然后采用主成分分析方法对人耳图像进行特征提取,最后采用球结构支持向量及对人耳图像进行训练和识别.与传统的多分类方法相比,该分类方法识别性能更高,这为非打扰式生物特征识别提供了一条有效途径.     

基于KPCA-PSO-RBF-SVM的矿井突水水源识别模型

为对矿井突水水源进行识别以减少矿井突水事故的发生,提出了粒子群(PSO)结合RBF核参数优化的SVM模型,并使用核主成分分析法(KPCA)对选取水源特征指标进行高效降维.根据水源离子敏感性选取了8种水化学指标(K~+、Na~+、Mg~(2+)、Ga~(2+)、HCO_3~-、Cl~-、F~-、SO_4~(2-))作为突水水源识别特征参数.使用基于最大方差关联度准则的核参数选择方法并结合粒子群算法构造参数优化算法,使用参数优选后的支持向量机模型对90组突水水源识别训练数据进行模型训练,用其余32组数据进行测试,模型实测效果与Logistic模型、PCA-Fisher模型以及PSO-SVM模型进行对比,结果表明:采用径向基核函数优化的支持向量机模型能够选取较优参数,模型实测平均准确率为93.75%,误差明显低于其他模型,证明了该模型能精准且高效地识别矿井突水水源.     

基于脑电的意识活动特征提取与识别

基于脑电信号的非平稳特性,用自适应自回归模型(AAR)提取脑电信号的特征,利用该模型对同一实验对象的两种不同意识任务的脑电信号进行特征提取,并将AAR模型得到的特征与支持向量机(SVM)分类器相结合,作为支持向量机的输入进行训练和测试,取得了良好的识别效果.实验结果证明,支持向量机分类器用于不同意识任务分类效果很好.     

基于PNCC与基频的鲁棒电话语音性别检测方案

针对电话语音性别检测存在识别准确率较低的问题,提出了一种有效的电话语音性别检测方案(CNN+SVM); 首先,采用卷积神经网络(Convolutional Neural Network, CNN)提取幂律归一化倒谱系数(Power-Normalized Cepstral Coefficient, PNCC)的有效信息;然后, 结合优化后的基频特征,选用支持向量机(Support Vector Machine, SVM)实现性别分类.该方案有效融合了男、女发音和听觉感知特性上的差异,同时利用了CNN特征提取能力以及SVM鲁棒分类能力.仿真结果表明:CNN+SVM方案针对实际场景电话语音数据集的性别识别准确率优于传统识别方法.