基于安全的多故障分类器设计

为解决常用多故障分类器未考虑到各个故障造成的后果严重性问题,提出了基于故障优先级和核函数的聚合技术,采用这个方法生成1个基于最优二叉树的多故障分类器.该分类器利用核函数具有将非线性问题线性化的特点,生成了聚类函数,再通过各个故障的安全优先级生成最优二叉树,最后将此分类器应用于挖掘机的故障诊断中.应用及实测结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让可能产生较严重后果的故障得到优先诊断.     

支持向量机及其在机械故障诊断中的应用

针对目前机械故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足，提出了应用支持向量机进行机械故障诊断的方法，研究了将小波包分析与信号能量分解用于机械故障的特征提取。该方法将振动信号小波包分析后的信号频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。该分类器只需少量训练样本，而且不必预先知道故障分类的经验知识就能实现正确分类。研究结果表明：选用不同核函数及其参数的多故障分类器对分类精度有影响；在样本不带噪声和带15％噪声情况下，支持向量机的分类精度均高于BP神经网络的分类精度，具有更好的分类性能。     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

基于随机森林算法的旋转机械齿轮组故障诊断

针对单一的分类器用于旋转机械故障诊断时存在准确率不高的问题,提出一种基于随机森林算法的旋转机械齿轮组故障诊断方法。该方法利用随机森林多分类器组合决策树的思想,通过多分类器的组合学习提高故障诊断的准确率,并在风力涡轮动力传动系统故障诊断模拟器系统上进行了多工况多故障的实验验证。首先,收集多工况、多故障的齿轮传感器信号,提取传感器信号的时域特征作为随机森林的输入特征量。然后,利用构建好的随机森林模型进行齿轮组的故障诊断,并将随机森林算法的分类结果与支持向量机方法的分类结果进行对比。通过对故障诊断结果的分析,随机森林算法避免了复杂的寻参过程和传统分类器的过拟合现象,能够处理大规模数据集,通过分类器的组合,提高了故障诊断准确率,并缩短了分类模型的预测时间,具有较好的应用前景。     

基于支持向量机的机械故障诊断方法研究

针对因缺少大量故障数据样本而制约机械故障智能诊断发展的问题，提出了一种基于支持向量机的机械故障诊断新方法，介绍了该方法的原理和算法，并利用模拟故障数据建立了多故障分类器。这种诊断方法只需要少量的时域故障数据样本来训练故障分类器，不必进行信号预处理以提取特征量，便可实现多故障的识别和诊断。测试结果表明，当数据样本中含有26％的噪声时，故障分类器仍然能正确分类多种故障。这种诊断方法具有算法简单、可对故障在张分类和故障分类能力强的优点。     

小波支持向量机在滚动轴承故障诊断中的应用

为提高支持向量机故障分类器的性能,提出了一种小波核函数支持向量机故障分类器.基于平移不变核函数条件,推导证明了Mexican hat小波函数是一种容许核函数.利用正常、滚动体故障以及内、外圈故障4种状态的轴承试验数据,研究了小波支持向量机分类器的性能.与基于RBF核函数的支持向量机的分类结果进行对比表明,小波支持向量机具有更高的分类正确率.     

结合非线性频谱和核主元分析的机器人用RV减速器故障诊断

针对机器人用RV减速器故障诊断准确率低问题,采用基于非线性输出频率响应函数频谱与核主元分析(KPCA)相结合的方法诊断RV减速器故障。利用RV减速器性能测试平台采集减速器在正常状态和故障状态下的输入和输出数据;采用批量估计算法得到每种状态下的前4阶频谱值,将其作为故障特征送入KPCA进行压缩,通过设置主元累计贡献率将400维数据压缩至5维;将KPCA生成的低维数据送入支持向量机分类器进行训练和测试。试验结果表明:与仅把振动信号时域或频域作为数据集进行故障诊断的方法相比,所提方法的故障诊断准确率分别提升了27.50%和8.34%,达到了96.67%,所提方法在RV减速器的故障诊断上有效。     

工业机器人驱动系统非线性频谱故障诊断方法

针对广义频率响应函数(GFRF)在故障诊断中存在计算量大、无法满足系统对诊断实时性要求的问题,提出基于非线性输出频率响应函数(NOFRF)的工业机器人驱动系统故障诊断方法。该方法构建系统一维频谱函数的辨识模型,将系统的输出频谱与估计频谱进行比较求出残差,根据残差大小改变辨识步长迭代出前4阶频谱;对获取到的4阶频谱进行逐阶采样,每阶频谱采集10个数值,共40个频谱构成40维特征矢量,将其作为系统的故障特征输入核主成分分析方法(KPCA)进行压缩,通过计算主元累计贡献率将高维数据压缩至3维,降低变量之间的非线性度;构造SVM分类器,将KPCA方法生成的低维数据中60%的数据作为训练集对分类器进行训练,将40%的数据作为测试集进行故障识别。实验结果表明,在相同的数据提取任务下,与基于GFRF的方法相比,所提方法节约时间854%,可以准确、快速地提取系统故障特征,进一步验证了该方法在工业机器人驱动系统故障诊断应用上的可靠性。     

基于证据理论和支持向量机的风机故障智能诊断

为了提高风机故障的诊断精度, 提出一种证据理论和支持向量机相融合的风机故障识别方法. 首先从振动信号中提取Wigner-Ville谱熵作为风机故障诊断特征; 然后采用不同核函数支持向量机进行训练, 建立风机故障诊断的子分类器; 最后采用DS证据理论对子分类器的输出结果进行融合, 并对其性能进行仿真测试. 实验结果表明, 该方法可以充分利用全部故障信息, 诊断结果更接近期望值, 诊断效果优于其他风机故障诊断方法.     

改进二叉树支持向量机及其TE过程故障诊断

针对层次结构对二叉树支持向量机分类性能影响较大的问题,提出了一种改进的完全二叉树支持向量机构建方法。基于帕累托原则以核心圈样本最近类间距离和类内计算半径圈样本平均密度建立了类间差异性估计策略,将类间距离大且类内样本分布紧密的类别最先分离出来,并提出了构建完全二叉树的算法步骤。通过在UCI标准数据集上与其他SVM多类分类算法作比较,验证了改进算法的优越性。以TE过程故障诊断为研究对象,基于核主成分分析提取故障特征,应用改进的二叉树支持向量机实现了故障的准确识别。     

超球体支持向量机的不完全二叉树多类分类算法

针对现有的支持向量机多类分类方法的不足之处,提出了一种基于超球体支持向量机的不完全二叉树多类分类算法。该算法首先采用超球体SVM算法,计算各类样本群的分布范围。再利用距离公式,计算各类样本间的距离,基于将最容易分离出来的类最先分割出来的原则,设计二叉树结构,从而提高分类精度。通过仿真实验,分析比较各种方法的性能,从而验证了该算法的有效性。     

支持向量机与哈夫曼树实现多分类的研究

提出了基于哈夫曼树的支持向量机多分类方法,该方法首先将1个多分类问题分解为多个2分类问题,针对每个2分类问题使用支持向量机2分类方法解决;然后根据相异度来决策分类的优先顺序,构建基于哈夫曼树的支持向量机多分类模型;最后使用勒卡斯开源数据集进行验证,并将它与传统的支持向量机多分类方法进行实验比较。实验结果表明:新的方法在分类速度和分类精度上较传统的支持向量机多分类方法优越。     

基于SVM的空间数据库的层次聚类分析

支持向量机用于两类问题的识别研究.本算法引入了SVM,构造二叉树对多类问题进行层次聚类分析.该算法采用SVM对两类问题进行识别,通过合并逐步由底向上构造二叉树,最终二叉树的数目即为聚类数.它适合任意形状的聚类问题,而且可以确定最优聚类的结果,并适于高维数据的分析.     

哈夫曼树的图形化算法设计

哈夫曼树是一类带权路径长度最小的树,由于它的非线性结构导致其很难实现图形化.为了排版需要以及更直观地了解哈夫曼树的性征,希望通过一种算法画出易于观察的哈夫曼树,算法建立在传统哈夫曼编码算法基础上,利用哈夫曼编码的工作空间,建立与哈夫曼编码相对应的哈夫曼树,这种树具有结点排列有致、层次分明、结点及结点间路径永不重合的特点.     

最小冗余的哈夫曼码表的构造方法

设计了一种存储哈夫曼码表的数据结构，给出了O(n)时间的生成算法。该方法通过先序遍历哈夫曼树，记录遍历过程，得到存储哈夫曼码表的一种数据结构。本文最后定量地分析了该数据结构的存储性能，并证明了该数据结构具有最小冗余。     

基于二叉树的分布式密钥管理机制

基于二叉树的分布式密钥管理体系分为单个密钥中心下的密钥管理系统和多层二叉树密钥管理系统．本文给出了两种管理系统下的用户密钥生成算法以及用户间秘密通信协议的实现过程，并且对公开密钥码的安全性进行了理论分析．基于二叉树的分布式密钥管理系统实现了既分散又集中的管理方法，最大特点是每个密钥中心只需存储唯一的一个秘密密钥，而且安全性也得到相应提高。     

Canonical Huffman code based full-text index

Full-text indices are data structures that can be used to find any substring of a given string. Many full-text indices require space larger than the original string. In this paper, we introduce the canonical Huffman code to the wavelet tree of a string T[I...n]. Compared with Huffman code based wavelet tree, the memory space used to represent the shape of wavelet tree is not needed. In case of large alphabet, this part of memory is not negligible. The operations of wavelet tree are also simpler and more efficient due to the canonical Huffman code. Based on the resulting structure, the multi-key rank and select functions can be performed using at most nHo＋│∑│（lglgn＋lgn-lg│∑│）＋O（nHo）bits and in O（Ho） time for average cases, where Ho is the zeroth order empirical entropy of T. In the end, we present an efficient construction algorithm for this index, which is on-line and linear.     

一种分类挖掘算法及其应用

提出一种增量式混合型分类挖掘算法,将基于概率论的符号学习与神经网络学习相结合,能够对既包含离散属性又包含连续属性的多个概念进行有效的分类处理,且具有较强的增量挖掘能力。该算法在法院决策支持系统中得到了运用,取得了较好的效果。     

基于蚁群SVDD和聚类方法的旋转机械故障诊断

摘要：
针对典型故障样本缺乏而使常规机器学习方法无法直接应用的难题,提出了一个基于支持向量数据描述（SVDD）新异类检测与基于Davies Bouldin指数（DBI）的K均值聚类方法相结合的旋转机械故障诊断框架.首先,针对正常状态样本建立SVDD模型,并利用蚁群算法对SVDD模型参数进行优化;然后,当拒绝样本数目累积到设定的阈值时,利用K均值聚类方法对其进行处理而获得能够进行标记的类别,其中,K均值聚类的类型数目由DBI辅助确定;最后,针对所标记的各类样本,分别建立SVDD模型并进行训练,将SVDD分类器按照二叉树形式构建系统状态的完整诊断模型.同时,利用滚动轴承多故障模式样本进行训练测试,以验证所提出算法的有效性.结果表明,所提出算法的训练速度为常规网格搜索算法的近10倍,DBI能够有效确定聚类的数目,对样本状态的识别率达到100%. 关键词：
蚁群支持向量数据描述; K均值聚类; Davies Bouldin指数; 旋转机械; 故障诊断 中图分类号： TP 183
文献标志码： A     

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.