基于旋转森林法的滚动轴承故障诊断

为了寻找一种高精度、可测试样本大的滚动轴承故障诊断方法,提出了基于旋转森林法的滚动轴承故障诊断方法。设计基于SSA(奇异谱分析)和AR(自回归)模型的特征提取算法以及基于RF(旋转森林)算法的故障模式识别算法,并采用美国西储大学滚动轴承实验台的振动数据进行实验验证。实验结果表明:(1)AR模型的NMSE(归一化后的平均绝对误差)达99.45%,说明通过线性自回归模型拟合原始信号拟合的效果很好,确保了结果的可信性;(2)在训练和测试样本总数为232个基础上,分析了训练样本数和基分类器数对分类精度的影响,得出采用3个基分类器、少量训练样本在不同转速条件下即可达到较高的精度,验证了旋转森林算法的有效性。经最终实验表明,在训练集720和测试集2 296条件下,可识别故障类型数达40个,平均测试精度达98.5%~100%,相对同类方法在精度上有所提高,并且测试样本大,可应用于城轨列车滚动轴承的故障诊断中,为车辆的日常检修提供参考。     

基于加权策略的SVM多元分类器

多元分类器通常需要在训练时间和分类精度之间折衷.提出了加权阈值策略和一对多分类方法的改进算法 OVA WWT，以增加结果融合的公平性，从而提高分类精度.基于OVA WWT策略和SVMlight二元分类器，实现了基于SVMlight的多元分类器MSVMlight.在CWT100G数据集进行的实验表明，该分类器具有较高的分类精度以及较短的训练和分类时间.相同的数据集上的阈值策略选择实验也说明了加权阈值策略能提高分类精度.     

土地覆盖遥感分类方法的比较与分析

针对遥感技术在土地覆盖分类中应用的重要性,以Landsat TM影像为数据源,选择传统的最大似然分类器、最小距离分类器和新兴的支持向量机分类器、以及面向对象分类方法,设计不同的分类判据特征组合,对不同分类器、不同分类特征组合的精度进行比较分析。结果表明,最大似然分类器、支持向量机分类器都具有良好的分类效果,综合使用多种特征作为输入可以提高分类精度,适合于研究区域土地覆盖分类。     

基于k-means++的多分类器选择分类研究

【目的】机器学习中不同算法适用于具有不同分布特征的数据集。在用整个训练集上训练得到的单个分类器预测新样本类别时,由于缺少对局部区域样本的针对性,可能导致分类器对某一区域数据的预测能力较差而产生错误分类。为了解决这个问题,提出基于k-means+ +的多分类器选择算法。【方法】首先用3种分类综合性能较好的算法———Ada-Boost、SVM、随机森林(RF)在训练集上分别训练得到3个分类器作为候选基分类器,然后利用k-means++算法将训练数据集分为k个簇,用3个候选分类器分别对每个簇进行分类测试,选择对这一簇中数据分类精度最高的分类器作为与它的数据相似数据的分类器。在对新样本进行类别预测时,首先判定样本属于哪个簇,然后用它的分类器进行分类预测。【结果】实验结果表明,新算法在9个UCI数据集上优于单个分类算法。【结论】基于局部区域动态选择最优分类器可以提高模型分类准确性。
     

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.     

多面体网格在船体绕流计算中的应用

为了验证多面体网格在船体绕流、特别是存在自由面的高速船体绕流计算中的有效性,将多面体网格应用于动网格中,基于多面体网格对DARPA Suboff潜艇进行了数值计算;基于混合网格和动区域法对一种高速单体穿浪船进行了数值计算,并将数值计算结果同水池实验结果进行了对比.研究表明:同四面体网格相比,多面体网格能有效减少非结构网格的单元数量,并能用更少的网格单元获取相似甚至更好的计算结果;多面体网格在潜艇绕流计算上的应用效果非常好;结合Robust(Octree)网格生成方法可改善多面体网格的正交性和分层性,进而能够更好地捕捉波形和飞溅;混合网格结合动区域法可以将多面体网格应用于包含船体运动的数值计算.     

k子凸包分类方法

基于凸包的k局部超平面距离分类方法,通过改进k近邻算法在处理小样本问题时的决策边界而显著提高分类性能.但是,该方法对噪声和类的数目敏感,并且在一类样本"包围"另一类样本时,由于外围类凸包与内部样本的距离为零而导致分类错误.针对上述问题,提出了k子凸包分类方法,该方法融合了k近邻分类和凸包技术的优点,首先寻找测试样本的k近邻,然后在该邻域中计算测试样本到相应类的子凸包的距离,并根据距离大小来确定该测试样本的类别,有效克服了k局部超平面距离分类存在的不足.大量实验表明,文章提出的k子凸包分类方法在分类性能上具有显著的优势.     

基于测试分类精度的多分类器融合方法

本文分析了影响分类器精度的因素,并提出了三种基于在测试例集上分类表现效果的多分类器融合方法.这三种方法的基本思想是:当使用多个分类器对未标注文本进行分类时,最终输出在测试例集上表现最好的那个分类器的结果.实验结果表明,这三种融合方法从一定程度上提高了分类器精度.     

若干评价准则对不平衡数据学习的影响

为解决绝大部分传统的以精度准则为优化目标而获得的分类器不适于不平衡数据学习(IDL)的问题,文中通过在支持向量机(SVM)模型上进行"元学习",研究了精度、平衡精度、几何平均、F1得分、信息增益、AUC(ROC曲线下方图面积)以及文中新提出的GAF和GBF等评价准则对IDL的影响.在16个来自UCI的不平衡数据集上进行了仿真实验.对实验结果的统计分析表明:不同准则对分类器性能的影响有显著差异;即便是对于先进的学习方法支持向量机(SVM)而言,若以精度准则最大化选择分类器,那么得到的SVM分类器也容易偏向预测多类;通过在其他准则上优化,能输出纠偏了的SVM分类器,它们的整体性能更好,尤其是在预测少类能力方面;在GAF以及GBF准则上优化所得的SVM分类器具有稳定且良好的性能.     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.