基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hidden Markov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.     

基于神经网络的自适应单相重合闸

本文运用人工神经网络模式识别与模式分类的功能,建立了基于BP网络的单相重合闸的模型,通过验证一条线路模型证实了它的可行性。     

基于小波包分解和近似熵的脑电信号分类

为提高脑电信号分类准确率,提出基于小波包分解和近似熵相结合的特征提取方法。该方法利用小波包对信号的低频和高频进行分解,用近似熵对得到的叶子结点进行计算得到特征值,然后将其输入支持向量机进行分类。实验结果表明,该方法在两种思维结合识别中正确率最高达到了97.37%,取得了较好的分类效果。     

小波包近似熵特征的机动车声识别方法

为了提高复杂背景噪声环境下的车型识别准确性,该文基于近似熵理论,对机动车行驶中辐射的声信号进行了研究。近似熵具有抗干扰能力强的特点,可用于提取动态背景噪声下机动车声信号的车型特征信息。首先,对声信号进行3层小波包分解;然后,利用近似熵量化第3层上各子频带信号的不规则性,描述各频带之间不同的变化趋势并作为目标车辆的声特征。为了提高分类有效性,将分解后的8个子频带信号的近似熵邻比值作为信号的特征向量,并基于支持向量机分类器实现了车型识别。分别在正常和有风两种气候条件下进行了实验,基于小波包近似熵的车型特征均获得了较为理想的分类精度。实验结果显示,小波包近似熵特征能有效地应用于机动车的声识别且对气候的影响具有一定的鲁棒性。     

输电线路两相短路故障的自适应分相重合闸方法

针对不带并联电抗器的超高压输电线路上发生的两相短路故障,提出一种自适应分相重合闸方法.搭建两相短路故障分析电路模型,推导出瞬时性故障下不同阶段选跳相端电压的时域表达式,分析选跳相端电压特性.研究发现,瞬时性故障二次电弧熄弧时,选跳相断路器两端电压的相角差由-120°突变到180°,且熄弧后恢复电压中出现明显的衰减直流分量.利用选跳相端电压的上述特征,提出了二次电弧熄灭时刻捕捉判据,实现了超高压输电线路上的自适应分相重合闸,并通过仿真验证了分析结果的正确性及所提方法的有效性.     

基于SVM的Web服务质量评价方法

SVM是一种新型的统计学习方法,在综合评价中采用SVM分类方法,可以减少主观因素的作用,提高评价结果的客观性.针对Web服务质量问题,本文中提出基于SVM的评价模型.首先从学习样本中选择支持向量,然后通过训练获取最优分类超平面,对新的样本和数据进行分类.与多层模糊综合评价(MPFS)、FCM等方法相比,SVM方法可以取得更客观和准确的评价结果.     

图像灰度熵特征与SVM分类结合的人脸检测

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸检测方法．在信息论的编码熵的基础上提出了灰度熵的概念，并把人脸图像的行像素灰度熵和列像素灰度熵作为人脸图像的部分特征．在人脸检测系统中，把人脸图像的灰度值和行像素灰度熵和列像素灰度熵作为特征用支持向量机进行训练，得到检测用分类模型，然后把分类模型应用于人脸检测．实验证明了这种方法的有效性。     

基于改进的本征时间尺度分解和基本尺度熵的齿轮故障诊断方法

针对齿轮振动信号的非线性、非平稳特征和难以获取大量故障样本的问题,提出改进的本征时间尺度分解方法(IITD)和基本尺度熵(BE)的齿轮故障诊断方法。采用IITD方法对齿轮振动信号进行分解,再对得到的前4个有意义的合理旋转(PR)分量计算其基本尺度熵,并将熵值作为特征向量输入支持向量机分类器,从而实现齿轮故障类别的诊断。实验结果表明,该方法能有效地实现齿轮故障类型的诊断。     

基于LMD和FCM的滚动轴承故障诊断方法

滚动轴承振动信号具有非线性、非平稳性,轴承故障发展具有渐变模糊性。因此,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和模糊C均值聚类(Fuzzy C-means Clustering,FCM)相结合的轴承故障诊断方法。应用此方法对轴承外圈故障、内圈故障以及滚动体故障进行诊断,结果表明该方法可以有效地对轴承故障类型进行识别。     

基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

基于模糊熵的支撑矢量预选取方法

在基于支撑矢量机的分类器学习算法中,预先选择支撑矢量是非常重要的．依据模糊熵理论,提出一种启发式的支撑矢量预选取方法——模糊熵方法．该方法针对支撑矢量数目较小的情况,可以有效地预选取出包含支撑矢量的边界集．利用边界集作为训练集可以大大简化支撑矢量机的训练而不影响分类性能．与其它方法相比,该方法的主要优点是不需要参数来确定边界集的阈值．仿真实验结果表明该方法是有效和可行的．     

基于WPD-LMD和排列熵的结构损伤识别方法

为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.     

信息熵与支持向量的关系

标准支持向量机由于具有O(n~3)的时间复杂度和O(n~2)的空间复杂度,影响了其在海量数据集上的应用,而对支持向量机新模型的研究则最有可能取得一些突破,从而彻底解决上述难题。介绍新模型的研究现状的基础上将信息熵引入到支持向量机建模中,重点分析数据的信息熵分布规律和支持向量数据及其熵值的关系,进一步构造了信息熵支持向量机算法,最后给出了相关实验,初步的实验结果显示信息熵支持向量机具有较快的分类速度。     

回采工作面瓦斯涌出量的熵权均值属性测度模型及其应用

基于未确知测度理论,建立回采工作面瓦斯涌出量的均值属性测度聚类预测模型。模型以样本均值为聚类中心,以熵权确定评价指标测度的权重,通过计算样本熵权综合测度与所属类别目标均值乘积之和获得瓦斯涌出量的预测值。利用实测的20组数据作为训练样本建立预测模型,并对校本进行逐一检验。研究结果表明：瓦斯涌出量预测值与实测值的相对误差不超过5%,能满足工程需要;与支持向量机(SVM )工具的验算相比,易于为现场的工程技术人员所掌握。     

基于变分模态分解-支持向量机混合算法的TN系统大阻抗接地故障配电线路保护

低压配电TN系统发生接地故障的配电线路阻抗较大时,采用以剩余电流幅值大小作为动作依据的剩余电流动作保护电器防护措施,不能有效解决接地故障防护问题。从分析剩余电流波形的角度出发,采用一种基于变分模态分解(variational mode decomposition, VMD)及支持向量机(support vector machine, SVM)分类的故障诊断方法。该方法在低压配电系统内测得剩余电流信号波形,对该波形进行VMD分解后得到各剩余电流信号的固有模态函数(intrinsic mode function, IMF),对其进行Hilbert变换并进行积分得到Hilbert边际谱,再求该边际谱的能量熵,将其作为特征向量输入SVM进行分析,最后准确区分正常状态和故障状态。结果表明：发生配电线路大阻抗接地故障时,该方法可以大幅提高用剩余电流动作保护电器(residual current protection device, RCD)作为故障防护的准确率。     

一种新的混合智能预测模型及其在故障诊断中的应用

针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型．首先，利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量，然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用支持向量机对其进行预测，最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值．研究结果表明，对于标准算例和某机组振动趋势的预测，不论是单步预测还是多步预测，该模型的预测性能均好于单一的支持向量机预测方法。     

支持向量机的SMO算法及其自适应改进研究

提出在SMO算法上应用自适应学习的思想,并利用求解凸二次规划寻优问题的基础上进行改进的研究.研究表明,基于自适应学习的思想对SMO算法进行改进,可使SVM算法更能适应实际应用快速、高效的需求.     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

基于样本熵的注意力相关脑电特征信息提取与分类

提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号分类的正确率可达85.5%,优于传统频段能量法获得的分类精度(77.9%).这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用.     

最小二乘模糊支撑向量机研究

支撑向量机是以统计学习理论为基础,以结构风险最小化（Structure Risk Minimization,SRM）为原则的新型学习机,已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。在对已有的分类问题的SVM算法的研究分析基础上,结合Lin和Wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型得出最小二乘模糊支撑向量机模型。