基于AR模型和支持向量机的转子系统故障诊断方法

提出了基于AR模型和支持向量机的转子系统故障诊断方法.该方法对转子系统的振动信号建立AR模型,以AR模型主要的自回归参数和残差的方差作为特征向量,然后建立支持向量机分类器,进而判断转子系统的工作状态和故障类型.实验结果分析表明,该方法能有效地应用于转子系统的故障诊断.并通过支持向量机与BP神经网络的性能比较,说明了支持向量机的优点.     

基于SVM的故障预报中的并行优化仿真研究

在基于支持向量机的故障预报过程中,故障样本数据的不相关变量会影响支持向量机的性能;加权支持向量机中直接选择加权系数存在很多不足;支持向量机参数主要凭人的经验或通过多次实验获得,还没有一个确定而有效的方法.针对这三种问题,提出了采用改进的人工鱼群算法将特征选择、加权系数、支持向量机参数进行并行优化的方法,并将此方法应用于船舶动力装置冷凝器的故障预报中.仿真结果表明:相对于单独优化,并行优化能够在更短的时间内进行最有效的故障特征提取,并且提高支持向量机的性能;相对于遗传算法,改进人工鱼群算法能够以更快的速度达到最终的优化结果.     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

基于支持向量机的信息融合诊断方法

提出了一种采用小波变换进行特征提取、支持向量机进行模式分类的多传感器信息融合诊断方法。该方法首先对多传感器的信息进行加权初级融合,接着利用小波变换的时频局部特性和多尺度、多分辨特性对传感器测量信号进行特征提取,最后利用支持向量机进行分类实现信息的特征级融合和分类。将其应用于某转子实验台的故障诊断中,取得了令人满意的结果。     

SVR在传感器故障诊断中的仿真研究

利用回归型支持向量机(Support vector regression，SVR)，设计了一个传感器故障诊断系统。对SVR采用离线训练，在线应用的方法。使用训练好的SVR模拟系统的动态特性，并将输出结果和实际系统输出相比较，从而生成故障残差。仿真结果表明，SVR能够高精度的模拟系统的动态特性，进而生成较高精度的故障残差，有效地保证了传感器故障诊断的准确性。     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

基于GA优化小波LS-SVR的惯性器件故障预报

为了提高最小二乘支持向量回归机的性能,将Morlet小波核函数引入其中,形成了最小二乘小波支持向量回归机模型。利用待优化的参数重构模型的目标函数和约束条件,并在此基础上通过遗传算法进行参数选择,从而提高了该模型的泛化能力。将最小二乘小波支持向量回归机应用于导弹陀螺仪的漂移趋势预测,仿真实验结果表明了该方法的有效性和可行性,因此可以为陀螺仪的故障预报、可靠性辅助决策提供依据。     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

基于模糊C-均值聚类与支持向量机的PMV指标预测系统

为了更好地预测室内热舒适度PMV指标,在分析模糊C-均值聚类方法与支持向量机方法的优势和互补性后,探讨了二者的结合方法,提出了一种基于模糊C-均值聚类预处理的支持向量机PMV指标预测系统.该方法把复杂的数据集看作多个群体的混合,每个群体采用单一的回归模型进行描述,使得大规模数据集的回归估计问题变成了一个多模型估计问题.将该系统应用于PMV指标预测中,与标准支持向量机方法相比, 得到了较高的预测精度,从而说明了基于模糊C-均值聚类方法作为信息预处理的支持向量机学习系统的优越性.     

基于最小二乘支持向量机的软测量建模

软测量技术在工业过程控制中得到了广泛的应用，对保证产品质量和安全生产有很重要的作用。软测量技术的核心问题是建立优良的软测量数学模型。支持向量机是近几年发展起来的机器学习的新方法，它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。本文研究了基于最小二乘支持向量机的软测量建模方法，并用交叉验证的方法进行支持向量机参数选择。将基于最小二乘支持向量机的软测量模型应用于轻柴油凝固点的预估。结果表明最小二乘支持向量机是软测量建模的一种非常有效的方法。     

基于支持向量机的自修复飞行控制及仿真研究

针对多输入多输出非线性耦合系统的控制问题,提出一种多输入多输出函数的支持向量机回归方法和一种基于支持向量机的逆控制方法。采用该回归算法对多输入多输出非线性耦合系统的逆系统进行辨识,再与原系统复合而成为一个伪线性系统,就可完成对非线性耦合系统的线性化解耦系统,最后设计相应的PID控制器以获得优良的动、静态特性与抗干扰能力。对一个两输入两输出非线性耦合系统的仿真结果表明该逆控制方法是一种较神经网络逆控制方法更为有效的控制律重构方法。

Abstract：

An algorithm of SVMs regressing to a multivariable inputs and multivariable outputs （MIMO） function and a inverse control based on SVMs were proposed for controlling MIMO nonlinear correlative systems. The inverse system of MIMO nonlinear correlative system was identified by MIMO SVMs regressing algorithm. The original system connected with the inverse system will become linear and irrelated. PID controller will be designed to improve the dynamic and static capability of the system. Simulation results show that SVMs inverse control is a more valid way of control reconfiguration than BP neural networks.     

支持向量机的多分类算法

系统介绍了统计学习理论(statistical learning theory,SLT)与支持向量机(support vector machine,SVM)的基本思想和算法,总结和比较了二分类和多分类两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,分析了支持向量机算法的优点。归纳了支持向量机在诸如模式识别、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领域中的应用。最后对SVM前景作了展望。     

基于相异度核空间的支持向量机算法

提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间. 证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求. 在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本. 对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的 分类精度来验证有效性和优越性.     

基于模糊C均值的支持向量机数据分类识别

提出一种基于模糊C均值的支持向量机分类算法，通过模糊C均值算法对未知类别数据进行划分，然后再利用支持向量行对划分后的数据机进训练。解决了以往人们应用支持向量机进行数据分类识别前必须采用已知类别的数据对支持向量机进行训练的弊端，提高了数据分类的效率。     

Drifting model approach to modeling based on weighted support vector machines

This paper proposes a novel drifting modeling (DM) method. Briefly, we first employ an improved SVMs algorithm named weighted support vector machines (W_SVMs), which is suitable for locally learning, and then the DM method using the algorithm is proposed. By applying the proposed modeling method to Fluidized Catalytic Cracking Unit (FCCU), the simulation results show that the property of this proposed approach is superior to global modeling method based on standard SVMs.     

Solving large-scale multiclass learning problems via an efficient support vector classifier

1. INTRODUCTION In recent years, a new type of classifier, support vector machines[1~2], is receiving adoption increasingly as a state-of-the-art tool to solve knowledge discovery pro- blems. SVMs are based on the statistical learning the- ory of Vapnik[1] and quadratic programming optimiz- ation. Support vector machines (SVMs) are initially designed for binary classification problem. How to effectively extend them for multiclass classification is still an ongoing research topic. Curr…     

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。     

训练支持向量机的四重序列解析优化算法

为了提高训练支持向量机的序列最小优化算法的学习性能, 依据 在每次迭代中选取多个变量同时优化可能会减少迭代次数和缩短训练时间的这一想法, 提出了一个训练支持向量机的快速算法-四重序列解析优化方法, 并给出了一个重要定理, 使得相应的子问题有解析解, 从而能够更加精确和快速地逼近最优解. 在两个公共数据集上的仿真结果表明: 该方法比其它算法有较好的学习性能-在相同训练精度的条件下,不仅缩短了训练时间, 而且计算复杂度减小.     

Iterative learning based fault detection and estimation in nonlinear systems

Aiming at a class of nonlinear systems that contains faults,a novel iterative learning scheme is applied to fault detection,and a novel algorithm of fault detection and estimation is proposed.This algorithm first constructs residual signals by the output of the practical system and the output of the designed fault tracking estimator,and then uses the residuals and the differencevalue signal of the adjacent two residuals to gradually revise the introduced virtual faults,which can cause the virtual faults to close to the practical faults in systems,thereby achieving the goal of fault detection for systems.This algorithm not only makes full use of the existing valid information of systems and has a faster tracking convergent speed than the proportional-type(P-type) algorithm,but also calculates more simply than the proportional-derivative-type(PD-type) algorithm and avoids the unstable effects of differential operations in the system.The final simulation results prove the validity of the proposed algorithm.     

基于比例差分型迭代学习的故障诊断算法

因为微分运算会给系统带来不良影响,所以为了避免在迭代学习算法中使用微分运算,同时又可以取得比单纯比例型迭代学习算法较快的收敛速度,将比例差分型迭代学习策略应用到故障诊断中,提出了一种新的故障诊断算法。该算法利用残差以及相邻两次残差的差分信号对引入的虚拟故障信号进行逐次修正,使虚拟故障逼近系统中实际发生的故障,从而达到对系统故障诊断的目的,并通过压缩映射方法,对故障跟踪估计器的收敛性进行了严格证明。该方法不仅可以有效地检测出系统不同类型的故障,还可以精确估计出各种故障信号。最后仿真结果验证了该方法的有效性。