共查询到19条相似文献,搜索用时 125 毫秒
1.
提出了一种基于数学形态学的飞机蒙皮裂纹磁光图像检测方法。首先应用内距均值法确定磁光图像中类圆形铆钉区域的圆形参数,然后利用自适应线性星形形态学腐蚀算子分割裂纹缺陷。其中,以四点方向快速定位法确定腐蚀算子的方向,并用中心对称法处理裂纹缺陷区域粘连的情况,最后,根据备选区域相关特征进行分类,判别缺陷存在及其特征参数。实验结果表明:算法在检测裂纹的多种特征方面具有优越性。 相似文献
2.
应用SVM的发动机故障诊断若干问题研究 总被引:3,自引:0,他引:3
支持向量机能够克服一般神经网络容易出现的过学习和泛化能力低等不足。提出一种基于支持向量机的航空发动机气路部件故障诊断方法,讨论了支持向量机的核函数选择和参数确定问题,并对"块算法"进行了分析。仿真实验表明,设计的正则化参数和核参数合理,故障分类器具有良好的分类准确性和泛化性能,可以对发动机气路部件的典型故障进行正确诊断。 相似文献
3.
基于支持向量机的发动机性能衰退指标分类和预测 总被引:1,自引:0,他引:1
基于支持向量机几何距离建立表征发动机性能衰退程度的指标,并基于相空间重构理论对该指标进行多步预测,表明回归支持向量机结果优于神经网络预测结果。利用主元分析、核主元分析方法对发动机性能特征量约简并提取其主元,得到核主元分析的分类效果更好。利用交叉验证的方法优化分类支持向量机和核函数中相关参数,给出发动机性能衰退指标曲线。通过建立统计量的方法分析发动机性能变化,确定性能变化关键点。所得结论对做好发动机维护保养工作,延长发动机使用寿命具有一定的指导意义。 相似文献
4.
丁晓宇 《中国民航学院学报》2012,(3):37-41,46
为保障飞机的飞行安全,做到预防性维修,提升飞机的飞行安全及任务出勤率,需要对飞机结构出现的疲劳裂纹进行及时检测并修理。基于支持向量机理论,建立了支持向量机回归预测模型,并应用该模型对B737飞机水平尾翼健康信息的特征值(小波包分解系数提取的能量)进行了故障预测研究。为建立最佳支持向量机模型,选用了支持向量机四种常用的核函数分别对特征值进行了预测。同时还对支持向量机预测模型与神经网络预测模型(BP神经网络预测模型)的预测结果进行了比较与分析,研究表明,应用支持向量机所设计的预测模型准确率比较高,可以较好地对飞机水平尾翼的裂纹故障进行预测。 相似文献
5.
基于支持向量机和蚁群算法的空间目标分类 总被引:2,自引:0,他引:2
研究了基于支持向量机的空间目标分类中核参数和误差惩罚因子的选择问题.将蚁群算法与支持向量机相结合,提出了一种自动优选支持向量机模型参数的方法,克服了以往反复试验以确定其参数的缺点.采用所提出的方法,分类正确率迭90%左右,验证了该方法的有效性. 相似文献
6.
在遥感图像机场目标分类方面,支持向量机(SVM)有着广泛的应用,但由于样本不平衡问题以及不确定性数据的存在,传统SVM算法的分类精度与效果还无法令人满意。为提高传统SVM分类器的性能,文章将建立在模糊理论基础上的模糊核C-均值聚类算法(KFCM)用于处理遥感数据的不确定性问题,并通过聚类分析后的目标子图,剔除非目标样本的同时保留了目标样本,较好地解决了样本不平衡问题。将基于KFCM的SVM分类算法用于遥感图像机场目标的分类,实验结果和性能分析表明该算法分类性能优于传统SVM算法。 相似文献
7.
基于改进PSO-SVM参数优化的发动机起动过程辨识 总被引:2,自引:0,他引:2
针对影响支持向量机辨识性能的核函数及相关参数,找出使辨识结果最佳的核函数;结合两种措施改进粒子群算法,优化相关参数,选择最佳的参数组合.对比 BP 神经网络和支持向量机对发动机起动过程的辨识结果,得到支持向量机的辨识精度和收敛时间优于 BP 神经网络,与起动数据基本一致.在训练样本存在噪声的情况下,验证了所建辨识模型具... 相似文献
8.
基于模糊支持向量机的飞机飞行动作识别 总被引:9,自引:0,他引:9
传统的支持向量机由两类扩展到多类问题时,出现不可分区域。针对飞行动作识别提出解决这一现象的模糊支持向量机。采用模糊支持向量机对某型飞机飞行动作进行识别。实际飞参数据(6种飞行动作模式)的识别结果表明,模糊支持向量机较传统的多类支持向量分类器在飞机飞行动作识别率上有显著提高。 相似文献
9.
张琳钦 《西安航空技术高等专科学校学报》2023,(3):83-88
为了提高手势识别在人机交互媒体播放界面交流的准确率,提出一种基于支持向量机的人机交互媒体播放界面手势识别方法。首先通过分析人机交互媒体播放界面,利用Cam Shift方法跟踪用户手势,确定手势在人机交互媒体播放界面的区域,通过计算波峰数量、手势的长度和能量,提取出手势特征;然后通过扫描用户手势的深度图像,得到手势范围,引入高斯滤波函数,过滤掉手势图像的掩模,确定手心位置,完成手势分割;最后利用支持向量机的分类阈值,计算手势图像的分类面,引入拉格朗日算法,将最优分类面问题转化为对偶性问题,实现人机交互媒体播放界面的手势识别。实验结果表明,该方法能够清晰识别人机交互媒体播放界面中的手势,并将准确率提高到90%以上。研究结果为复杂工作环境中运用手势动作进行人机互动提供理论支持。 相似文献
10.
研究了基于粗糙集(Rough)和支持向量机(SVM)的模式分类技术,结合遥感图像中军用飞机目标识别进行理论分析和试验研究。基于粗糙集和支持向量机算法的优势,设计了基于粗糙集和决策有向无环图的支持向量机模式识别分类器,并对分类的性能进行了分析研究。利用粗糙集理论中属性约简方法去除冗余属性,降低飞机特征维数,提出了使用决策... 相似文献
11.
针对驾驶舱话音记录器(CVR)中记录的舱音背景信息多而复杂、频率范围宽、非平稳等特点,通过对15种舱音信息进行傅里叶变换和小波包变换,依次提取其Mel倒谱系数(MFCC)和小波包分解系数(WPC),利用距离可分性判据对MFCC和WPC信息进行压缩融合,得到舱音信息特征向量。设计了面向不均衡样本的模糊支持向量机(FSVM),分别计算每种类别样本及其内每种舱音信息的2个隶属度,然后利用FSVM对舱音信号进行分类识别,解决了CVR信号含噪奇异样本和数目不均衡样本时识别性能较差的缺点,实验表明该方法明显优于常规支持向量机(SVM)和FSVM,分类识别率达到98.33%。 相似文献
12.
基于支持向量机的航空发动机整机振动故障诊断技术研究 总被引:3,自引:1,他引:2
支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的一种新型机器学习方法,由于它出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。针对某型航空发动机整机振动过大的现象,提出了一种基于支持向量机(SVM)的整机振动故障诊断方法。首先介绍了SVM理论,然后根据SVM学习方法的结构风险最小化原则,对某型航空发动机已知的整机振动故障模式数据进行了训练和预测,并建立了基于SVM的航空发动机整机振动故障诊断模型。最后通过对已有故障模式进行诊断预测,证明该方法在航空发动机整机振动故障诊断方面具有良好效果。 相似文献
13.
14.
基于核热源功率测量系统冷端温度控制需要,建立系统动态特性模型.在开环仿真分析的基础上,分别设计了PID(proportion integration differentiation)控制、模糊控制以及支持向量机(SVMsupport vector machines)智能预测控制3种控制算法,并完成了其仿真研究,验证了测量系统控温的可行性.结果表明:将SVM优秀的非线性函数逼近能力与预测控制相结合来拟合被控非线性系统模型,并通过支持向量机的预测结果进行反馈校正,使系统具有良好的鲁棒性和稳定性,易于工程应用. 相似文献
15.
基于机匣信号的滚动轴承故障卷积神经网络诊断方法 总被引:1,自引:1,他引:0
针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。 相似文献
16.
17.
针对变量预测模型模式识别方法中4种数学模型不足以反映特征值之间复杂关系的缺陷.因此,提出了一种基于径向基函数的变量预测模型(VPMRBF)模式识别方法,把提取的特征值输入到VPMRBF分类器中,然后通过训练样本建立反映特征值之间复杂关系的径向基函数预测模型,最后把测试样本的特征值作为径向基函数预测模型的输入,以预测误差平方和为依据完成分类.该方法充分有效地利用并且结合径向基函数和变量预测模式识别方法的优点,实现了故障特征提取到故障识别的全程诊断. 滚动轴承故障诊断实验分析结果表明:与径向基神经网络、支持向量机和变量预测模式识别方法相比,VPMRBF的识别率分别提高了4.75%,1.75%和5.25%. 相似文献
18.
19.
疲劳是导致民机复合材料结构目视检查差错的重要诱因,疲劳检测对于减少人的差错,保障飞行安全具有重要意义。对基于眼动行为的疲劳度量与检测方法进行了研究,建立了民机复合材料结构目视检查实验场景,利用Tobii眼动仪提取了正常状态和疲劳状态下的目视检查眼动数据,分析了瞳孔直径、平均注视时间、平均注视频率、平均眼跳时间、平均眼跳频率、注视热点与轨迹和扫视速度等眼动行为与疲劳的关系,进而提取了能表征疲劳的瞳孔直径、平均注视时间和扫视速度3种眼动指标,以该指标构建特征向量,利用支持向量机(SVM)方法构建了目视检查疲劳检测模型。研究发现疲劳状态下的目视检查平均注视时间更长,扫视速度更慢、瞳孔直径减小,右瞳孔减小程度更大,核函数为径向基函数和高斯函数的SVM方法对疲劳的检测效果好。研究结果表明,利用SVM方法训练由瞳孔直径、平均注视时间和扫视速度构成的眼动特征向量能有效检测目视检查中的疲劳状态。 相似文献