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Bootstrap-异质SVM集成学习的肺结节分类方法

为了对肺结节的良、恶性诊断形成定量的客观分析和提高良、恶性的分类正确率,针对肺结节CT图像提出了一种基于Bootstrap-异质SVM的集成学习方法.首先,采用模糊聚类图像分割方法提取肺结节,计算提取出的结节特征参数用于学习分类.然后,以支持向量机(SVM)在不同核函数下的不同性能构造高差异性的子学习器,在子学习器中引入Bootstrap算法来提高其学习精度,通过集成学习方法实现学习器分类性能的整体改善.对146个(40个良性,106个恶性)肺结节样本分别利用单个SVM、BP神经网络和Bootstrap-异质SVM集成学习方法进行了学习测试,获得的最高分类正确率分别为80%,、82%,和90%,.实验结果表明:提出的Bootstrap-异质SVM集成学习方法将单个SVM分类器的最高正确率提高了10%,,同时也获得了高于BP神经网络8%,的分类正确率和较好的学习稳定性,有效地改善了机器学习在不平衡数据集下对肺结节良恶性的分类能力.     

基于支持向量机和遗传算法的变压器故障诊断

为了提高变压器故障诊断准确率,该文提出了一种基于支持向量机(support vector machine,SVM)和遗传算法(genetic algorithm,GA)的电力变压器故障诊断方法。基于5种常用油中溶解气体分析方法的20种不同输入建立初始特征集合,采用二进制方式将支持向量机惩罚因子、核参数及特征子集编码至遗传算法染色体,建立基于5折交叉验证正确率的适应度函数,联合优化最优特征子集和支持向量机参数组合。然后依据最优特征子集和参数组合训练诊断模型,并利用测试集和故障实例验证诊断性能。实例分析结果表明:该方法能准确、有效地诊断变压器故障,比基于传统特征子集的支持向量机-遗传算法模型、IEC三比值法、反向传播神经网络和朴素Bayes等方法具有更高的诊断准确率。     

基于聚类和SVM的数据分类方法与实验研究简

提出一种新的数据分类方法,K-均值聚类分组支持向量机(CG-SVM)方法,在不删减任何样本信息的情况下,该方法使用轮廓系数作为类分离度量参数对数据的正、负类样本进行聚类、分组,对小组进行交叉结合训练,得到不同的SVM分类器,根据测试样本到聚类中心欧氏距离的加权来选择合适的SVM分类器进行类别判断,该方法实现了一个二分类问题转化为多个细分的二分类过程,效果由差变好.对所提方法分别进行了仿真数据和实际数据分类实验.实验结果表明,与传统的SVM方法相比,该算法可以有效地提高分类的准确率.     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

基于聚类和SVM的数据分类方法与实验研究

提出一种新的数据分类方法,K-均值聚类分组支持向量机(CG-SVM)方法,在不删减任何样本信息的情况下,该方法使用轮廓系数作为类分离度量参数对数据的正、负类样本进行聚类、分组,对小组进行交叉结合训练,得到不同的SVM分类器,根据测试样本到聚类中心欧氏距离的加权来选择合适的SVM分类器进行类别判断,该方法实现了一个二分类问题转化为多个细分的二分类过程,效果由差变好.对所提方法分别进行了仿真数据和实际数据分类实验.实验结果表明,与传统的SVM方法相比,该算法可以有效地提高分类的准确率.     

一种新的选择性支持向量机集成学习算法

针对支持向量机(SVM)在应用于集成学习中会失效的问题,提出一种选择性SVM集成学习算法(SE-SVM),利用ξα误差估计法估计个体SVM泛化性度量,并基于负相关学习理论引入差异性度量,通过递归删除法选择出一组泛化性能优良、相互间差异性大的SVM参与集成学习.基于UCI数据的仿真实验表明,SE-SVM能够平均提高SVM的分类正确率0.4%,比常规的Bag-ging集成学习方法和负相关集成学习方法的分类正确率分别提高了0.24%和0.16%.     

基于可靠性测度的多类支持向量机

多类分类问题是我们经常遇到的问题,常用的方法是将多类问题转化为若干个二类问题,然后利用二类支持向量机(support vector machine,SVM)进行分类,如一对余SVM,一对一SVM,决策树SVM等.在这些方法中,大都没有考虑所生成的多个分类器之间的可靠性和重要性问题.为了改进这一点,本文以一对余SVM为例,提出了两种基于可靠性测度的多类分类算法,算法的思想可用于一对一SVM,决策树SVM等其他多种分类器中.为了检验所提算法的有效性,本文进行了比较试验,实验结果表明所提算法不仅提高了分类准确度,而且具有更为广泛的推广能力.     

基于直觉模糊最小二乘支持向量机的变压器故障诊断

针对基于溶解气体分析的变压器故障诊断数据具有小样本、 贫信息且故障诊断结果易受样本中噪声影响的特点, 提出一种直觉模糊最小二乘支持向量机算法(IFLS-SVM). 先进行相关算法的推导, 并设计了基于IFLS SVM的多类分类器, 然后借助Matlab软件实现了电力变压器的相关故障实例诊断, 最后将其诊断结果与LS-SVM
的几种多分类算法及BP神经网络的诊断结果进行比较. 实验结果表明, IFLS-SVM诊断效果较好, 抗噪性较强.     

基于GA与SVM融合的网页分类算法

为了实现对大量的网络信息的正确分类以便使用户迅速获取所需信息,提出一种新的网页内容分类算法,该算法将遗传算法(GA)与支持向量机(SVM)结合起来,利用遗传算法良好的寻优能力优化SVM的分类性能。在由新闻网页文本构成的数据集上的仿真实验结果表明,GA和SVM融合的算法能够有效提高SVM的分类性能,新算法的分类正确率相比基本的SVM有非常显著的提高。由此证明,提出的基于GA的SVM改进算法是有效的,能够用于对大量网络信息的分类问题中。     

模拟电路故障诊断中故障重分类方法的研究

分析了模拟电路故障诊断中故障类重叠.针对在该情况下神经网络训练困难与故障诊断正确率低的问题,提出了一种适于模拟电路的、基于神经网络故障诊断的故障重分类方法,给出了该方法的数学模型.通过诊断示例表明,该方法在故障类存在重叠时,降低了神经网络的训练难度,故障诊断的正确率达到99%以上.     

基于属性粒化聚类与回声状态网络的末制导雷达故障诊断

为了提高末制导雷达故障诊断的效率和精度,提出一种基于属性粒化聚类与回声状态网络(ESN)的故障诊断方法.定义一种基于属性值影响度的属性区分能力测量指标,并以此作为相似性度量依据,利用近邻传播(AP)聚类算法得到区分能力相当的若干属性粒,通过选取聚类中心属性来完成故障征兆属性的约简;在储备池构建中,采用Bienenstock-Cooper-Munro(BCM)规则进行连接权矩阵的预训练,在目标函数中添加L_(1/2)范数惩罚项,以提高ESN储备池对样本的动态适应性;同时,采用半阈值迭代法对模型进行求解,通过末制导雷达信号处理模块的故障诊断实例,验证了所提方法的有效性和优越性.结果表明:与BP神经网络和传统ESN模型相比,所提方法的稳定性及诊断准确率更高;将其与基于属性重要度和AP聚类的属性粒化约简算法相结合,能够进一步提高故障诊断的效率和精度,其仿真实验的训练时间仅为8.98s,诊断正确率可达95.2%.     

采用IEWT-SAE算法的配电变压器故障诊断方法

为识别配电变压器运行过程中存在的潜伏性故障,提出一种基于改进经验小波变换(improve empirical wavelet transform,IEWT)及堆栈自编码器(stacked auto-encoder,SAE)算法的故障诊断新方法. 首先,利用顺序统计滤波包络法来改进经验小波变换完成对振动信号的分解,得到一组经验小波分量并计算其与原始信号之间的K-L散度值,以剔除干扰分量. 然后,选取K-L散度值低的经验小波分量作为SAE的输入数据进行特征的自适应提取,再用Softmax分类器完成故障诊断,并在堆栈自编码器训练过程中引入樽海鞘群算法实现参数寻优. 最后,在10kV油浸式变压器上搭建数据采集平台进行故障模拟及分类测试. 实验结果表明,所提方法的分类精度达99.5%,在识别准确率、诊断时间上均优于对比方法.     

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对支持向量机(support vector machine,SVM)的分类性能受自身参数选择影响较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm,SSA)优化SVM的故障诊断方法.利用麻雀搜索算法(SSA)对支持向量机的惩罚参数(C)与核参数(g)进行优化,并构建SSA-SVM滚动轴承故障诊断模型.结果表明:对于滚动轴承的常见故障,SSA-SVM诊断模型的测试正确率为96.67％,比传统的遗传算法(genetic algorithm,GA)-SVM和粒子群算法(particle swarm optimization,PSO)-SVM诊断模型分别提高3.34％和1.67％,且收敛速度更快,可有效应用于故障诊断.     

基于遗传优化规则库的电力变压器故障诊断

提出基于遗传算法优化模糊规则库的故障诊断方法,采用模糊故障诊断系统对电力变压器的初期故障进行检测或诊断.采用遗传算法产生优化的模糊规则库,针对缺少数据样本的情况,采用自举法对数据样本进行处理及扩充,使得不同的故障类型有相等的样本数.仿真结果表明:该故障诊断方法提高了故障诊断精度和正确率,对于电力变压器故障诊断有效、可行.     

基于CDET/MPSO-SVM的道岔故障诊断

针对目前铁路道岔故障率高,维护质量低等问题,以S700K型转辙机功率曲线为研究对象,提出一种补偿距离评估技术(Compensation Distance Evaluation Technique,CDET)结合改进的粒子群算法(Modified Particle Swarm Optimization,MPSO)优化支持向量机(Support Vector Machine,SVM)的道岔智能故障诊断方法.首先,通过分析S700K转辙机动作机理,将功率曲线分成启动、解锁、转换、锁闭、构通表示5个阶段,分别提取各阶段道岔功率曲线相应的特征集;然后,利用补偿距离评估技术对提取的特征候选集进行降维,选出敏感特征;最后,引入扰动项和动量项对粒子群算法进行改进并优化SVM相关参数,作为分类器对道岔故障进行预测,并与基于PSO-SVM,SVM等分类算法进行比较.仿真验证表明:该方法诊断正确率达到97％以上,能有效地识别道岔故障类型.     

基于改进的遗传算法优化支持向量机的精馏塔故障诊断

针对支持向量机(SVM)参数的选取困难,提出了利用改进的遗传算法(IGA)对其参数进行优化.IGA采用代沟选择和可变交叉概率,确保当前种群中最适应的个体总是被连续传播到下一代,并使进化后期优化的对象比较容易稳定,计算效率提高.将基于改进遗传算法优化的SVM(IGA-SVM)训练算法应用于某醋酸共沸精馏塔的故障诊断,仿真...     

基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出一种基于主成分分析(principal component analysis,PCA)和支持向量机(support Vector machine,SVM)模型的滚动轴承故障诊断方法.通过比较不同方法计算的标准差和拉依达准则对数据进行误差分析,利用MATLAB软件中的PCA函数对数据进行主成分分析,将8个原始变量降维成3个综合变量,分别从降维前和降维后的输入属性数据中随机选取70％的数据作为训练集来建立SVM分类模型和PCA-SVM分类模型,而把剩余的30％作为测试集来对模型的性能进行仿真测试.MATLAB仿真测试的结果表明,PCA-SVM模型的分类效果更好,其预测正确率对于绝大多数故障诊断来说是可以接受的,可以作为一种故障诊断的评价标准.     

基于PSR和SVM方法的化工过程单变量故障诊断

基于相空间重构(SPR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选,然后对筛选出的关键变量进行相空间重构,再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试,结果表明在单一故障和多故障情况下,本方法均可实现化工过程的单变量故障诊断;与传统SVW方法相比,相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。     

基于改进的贝叶斯分类算法的断路器故障诊断

通过监测断路器分合闸线圈电流识别断路器状态是断路器故障诊断重要方法.但是,由于断路器动作频率不高,分合闸线圈电流的数据样本较小.为了在数据样本较小的前提下对断路器进行快速准确的故障诊断,提出了一种基于改进的贝叶斯分类算法的断路器故障诊断方法.针对原始的贝叶斯算法只适用于处理离散型变量的分类问题、应用范畴较为局限的特点,利用入侵杂草优化算法合理选取标准状态,并以此为基础引入基于标准状态概率分配的连续变量离散化方法对特征量进行离散化,对原始的贝叶斯算法进行了改进.研究表明,改进的贝叶斯分类算法将贝叶斯的应用范畴扩展至连续变量的分类问题,提高了故障诊断的准确率.通过仿真分析验证改进的贝叶斯分类算法在不同训练样本数量的情况下故障诊断的准确性,并与原始的贝叶斯算法和支持向量机进行比较.仿真结果表明在训练样本数量为10的情况下,原始贝叶斯算法、支持向量机和改进贝叶斯算法的故障诊断准确率分别为45.05%、83.15%、92.25%,改进的贝叶斯算法故障诊断准确率明显高于支持向量机,说明改进的贝叶斯算法诊断效果更好;改进的贝叶斯算法故障诊断准确率明显高于原始贝叶斯算法,说明入侵杂草优化算法的优化及基于标准状态概率分配的连续变量离散化方法在提高小样本状态下故障诊断准确率方面有良好的效果;改进的贝叶斯算法故障诊断准确率最高,这表明本文所提改进贝叶斯算法能够在样本数据较小的前提下快速准确地对断路器进行故障诊断.