首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 111 毫秒

1.  基于Gauss核函数的SVM故障诊断技术研究  
   郑波《中国民航飞行学院学报》,2012年第23卷第5期
   本文提出了基于Gauss核函数的SVM故障诊断技术,并利用grid法对SVM中参数进行寻优,以保证得到最高分类精度.通过对某航空公司ERJ145的右发AE3007发动机进行故障诊断研究后,证明基于Gauss核函数的SVM在小样本故障诊断中有着较好的适用性和可信性,能够为飞机发动机故障诊断提供有效的参考.    

2.  基于PSO-SVM的民航发动机送修等级决策研究  
   郑 波《推进技术》,2013年第34卷第5期
   为降低航空公司维修成本,增强送修等级决策科学性,保障飞行安全,提出基于PSO-SVM的民航发动机送修等级决策算法.首先利用改进的粒子群优化(Particle Swarm Optimization,PSO)算法对支持向量机(Support Vector Machine,SVM)参数进行寻优,并提出将交叉验证(Cross Validation,CV)的平均分类精度作为PSO的适应度值.对某型发动机送修等级的真实数据进行了决策对比研究,研究数据表明:与传统的Grid和GA算法相比,PSO的参数寻优效果要更优;在小样本分类时,PSO-SVM的分类精度要远高于常用的神经网络分类模型径向基函数(Radial Basis Function,RBF)模型和学习向量量化(Learning Vector Quantization)模型.    

3.  基于大规模训练集SVM的发动机故障诊断  被引次数:3
   徐启华  耿帅  师军《航空动力学报》,2011年第26卷第12期
   提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.    

4.  基于SVM和SNN的航空发动机气路故障诊断  被引次数:2
   王修岩  李萃芳  高铭阳  李宗帅《航空动力学报》,2014年第29卷第10期
   为了区分航空发动机气路故障诊断过程中出现的相似故障,提高诊断准确率,提出了一种支持向量机(SVM)和协同神经网络(SNN)相结合的故障诊断方法.首先利用参数优化后的SVM对测量数据进行初步故障诊断分类,对诊断结果进行分析统计,得出难以区分的相似故障类型,并根据SNN对这些相似故障进一步地区分判断,最后根据实际数据对此故障模型进行仿真.结果显示:基于SVM的初步故障诊断准确率达到96%;而经过SNN进一步地相似故障区分后,诊断准确率提升到100%.    

5.  基于新型多分类支持向量算法的发动机故障诊断  被引次数:1
   徐启华  师军《中国航空学报》,2006年第19卷第3期
   层次支持向量机(H-SVM)比通常的"一对多" (1-V-R)和"一对一" (1-V-1)等多分类支持向量算法具有更快的训练速度和分类速度.提出一种基于H-SVM的航空发动机气路部件故障诊断方法,根据特征空间中各类故障样本中心之间的距离来逐层划分子类,距离较近的故障样本归为同一个子类进行训练,得到的H-SVM层次结构合理,各层的SVM分类间隔大、泛化能力强;同时,用ν-SVM代替通常的C-SVM作为两类分类器,分类器参数意义明确、变化范围小,更容易确定.仿真实验表明,基于H-SVM的故障分类器具有良好的分类准确性和泛化性能,能够对发动机气路部件的单一故障和复合故障进行快速诊断.    

6.  基于HMM-SVM的混合故障诊断模型及应用  被引次数:8
   柳新民  邱静  刘冠军《航空学报》,2005年第26卷第4期
    针对直升机减速器故障诊断中机器学习方法存在的问题,根据隐马尔可夫模型(HMM)适合于处理连续动态信号与支持向量机(SVM)适合于模式分类的长处,提出了基于HMM-SVM的混合故障诊断模型。先通过小波包分析方法从减速箱振动信号中有效提取非平稳特征,训练HMM-SVM模型,再利用训练好的模型进行监测与诊断,实验结果表明该方法优于单纯的HMM或SVM诊断方法,能利用少量训练样本有效地完成直升机减速器的故障诊断。    

7.  基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用  被引次数:1
   柳新民  刘冠军  邱静  胡茑庆《航空学报》,2006年第27卷第3期
    针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。    

8.  正弦余弦算法优化的SVM模拟电路故障诊断  
   朱静  何玉珠  崔唯佳《导航与控制》,2018年第17卷第4期
   针对容差模拟电路故障诊断中软故障诊断样本较少和正确率低的问题,提出一种基于正弦余弦算法(Sine Cosine Algorithm, SCA)优化的容差模拟电路软故障诊断方法。对实验电路进行Monte Carlo分析后采集输出电压信号后采用小波变换提取小波熵组成故障特征集,采用主元分析法(Principal Component Analysis, PCA)对特征降维,利用基于SCA的支持向量机(Support Vector Machine, SVM)对故障集进行分类。通过对Sallen-Key带通滤波电路的分析,SCA-SVM分类算法具有较好的分类准确率与较快的诊断速度,优于网格搜索(GridSearch)、遗传算法(GA)和粒子群算法(PSO)。最后,在四运放双二次高通滤波器电路上进行测试。结果表明,SCA SVM在容差模拟电路软故障诊断中具有较强的适应能力。    

9.  基于谐波小波包和SVM的滚动轴承故障诊断方法  
   徐涛  裴爱岭  刘勇《沈阳航空工业学院学报》,2014年第31卷第4期
   针对滚动轴承故障诊断问题开展研究,设计了基于谐波小波包和支持向量机(SVM)的新型诊断方法.与传统的时频特征提取方法相比,谐波小波包具有盒状频谱和无限细分的优势.首先对滚动轴承的振动数据进行谐波小波包分解,利用各频段的小波分解系数计算特征能量,归一化之后作为特征向量,为设计的多类SVM模型提供训练样本和测试样本.利用SVM的非线性映射能力,将三个二分类器相组合设计了基于二叉树的多类SVM模型,实现了对滚动轴承的故障诊断.最后,利用Case Western Reserve University电气工程实验室的滚动轴承试验台的振动数据对设计的诊断方法进行了验证.结果表明,设计的诊断方法比传统的方法具有更高的准确率.    

10.  卷积神经网络和峭度在轴承故障诊断中的应用  
   李俊  刘永葆  余又红《航空动力学报》,2019年第34卷第11期
   针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。    

11.  基于支持向量机的组合分类方法及应用  被引次数:2
   胡金海  谢寿生  杨帆  蔡开龙  王海涛《推进技术》,2007年第28卷第6期
   为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。    

12.  基于小生境技术的改进引力搜索算法  
   张明  田娜  纪志成  王艳《南京航空航天大学学报》,2016年第48卷第5期
   针对引力搜索算法(Gravitational search algorithm,GSA)开发能力强而探索能力弱的特点,提出一种基于小生境技术的引力搜索算法(Niching behavior based advanced GSA,NAGSA)。首先分析了引力搜索算法的性能,为每个粒子定义质量吸引度和欧式距离吸引度两个属性,根据这两个属性计算出粒子吸引概率,取代原有的质量排序选择法。其次,运用吸引概率和小生境拥挤度技术引导粒子在邻域内搜索,平衡算法的收敛速度和多样性。此外,算法将k-best的取值按照指数函数递减,进一步提高收敛精度。10个标准测试函数的仿真结果表明,该算法能有效地提高最优解的精度,加快收敛速度。最后,采用4个标准柔性作业车间调度模型,验证了该算法在解决实际问题中的可行性和优越性。    

13.  基于小波包分析与多核学习的滚动轴承故障诊断  被引次数:2
   郑红  周雷  杨浩《航空动力学报》,2015年第30卷第12期
   为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.    

14.  基于GA-SVM的GNSS-IR土壤湿度反演方法  
   孙波  梁勇  汉牟田  杨磊  荆丽丽  俞永庆《北京航空航天大学学报》,2019年第45卷第3期
   针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法(GNSS-IR),提出了一种基于支持向量机(SVM)的土壤湿度反演模型,利用遗传算法(GA)的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差(MAPE)仅为0.69%,最大相对误差(MRE)为1.22%,线性回归方程决定系数达到了0.9569。进一步与统计回归、粒子群优化的SVM模型(PSO-SVM)及反向传播(BP)神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。    

15.  AP聚类改进免疫算法用于航空发动机故障诊断  
   曹愈远  张博文  李艳军《航空动力学报》,2019年第34卷第8期
   在免疫算法训练过程中引入近邻传播(AP)聚类与熵权法,对训练样本进行聚类与权值计算,将权值引入免疫算法中样本选择阈值的计算,以解决训练过程采用固定选择阈值所造成的检测器在部分区域过拟合,部分区域欠拟合的问题。结果表明:改进的免疫算法用于典型非线性函数的寻优时,迭代性能均优于传统免疫算法,并在大部分情况下优于粒子群算法与量子遗传算法,在进行某型发动机故障诊断的实例实验时,改进后的算法的诊断准确率达到98.06%,高于传统免疫算法的92.60%。    

16.  基于QPSO算法的压气机特性代理模型优化  被引次数:1
       李本威  朱飞翔    《推进技术》,2014年第35卷第11期
   考虑到小样本特性数据情况下进行部件特性数据的二维线性插值精度低,提出一种基于量子粒子群优化(QPSO)算法的压气机特性代理模型优化方法。针对原始Kriging模型对其相关模型参数的初始值极度敏感以及易限于局部最优解的缺陷,利用QPSO算法对Kriging的相关模型参数进行全局寻优,克服了基于梯度的模式搜索法对于参数初始值的依赖,经测试该方法具有较好的效率以及稳定性。将该优化模型扩展应用于低压压气机特性代理模型建立与重构。经验证,在小样本特性数据下,基于QPSO的压气机特性Kriging模型仍具有较高精度,应用前景可观。    

17.  基于学习的并行免疫量子进化算法  
   游晓明  刘升  帅典勋《南京航空航天大学学报》,2006年第38卷第Z1期
   提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。并给出了多宇宙的并行拓扑结构,其中各宇宙独立演化.宇宙内采用免疫量子进化算法,宇宙间采用基于学习机制的移民、模拟量子纠缠的种群交叉等信息交互方式.使得进化算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。仿真实验结果表明该算法比串行的免疫量子进化算法运算效率更高。    

18.  一种基于指数损失函数的多类分类AdaBoost算法及其应用  被引次数:2
   胡金海  骆广琦  李应红  汪诚  尉询凯《航空学报》,2008年第29卷第4期
    提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME(forward stagewise additive modeling using a multi class exponential loss function)。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。    

19.  基于引力球结构支持向量机多类算法的涡轮泵故障诊断  被引次数:3
   袁胜发  褚福磊《宇航学报》,2006年第27卷第4期
   在涡轮泵故障诊断中,多类故障诊断是经常出现的问题。为提高多类故障诊断速度,在球结构支持向量机的基础上,提出一种引力球结构的支持向量机多类算法,该算法充分考虑样本分布疏松程度,经过试验优化分析得到最佳分类引力公式。用该算法和其他常用算法对涡轮泵仿真故障进行分类比较,结果表明基于引力球结构的支持向量机故障诊断算法学习速度快,诊断效果好。    

20.  一种基于模拟退火的支持向量机超参数优化算法  被引次数:4
   燕飞  秦世引《航天控制》,2008年第26卷第5期
   基于统计学习理论的支持向量机技术以探求小样本情况下如何获得更好的机器学习规律而见长,与基于经验风险最小化原则的机器学习方法相比能够获得更佳的泛化能力,相关超参数的选择对其分类或回归性能有较大影响.针对径向基核支持向量机超参数优化问题,提出了一种改进的基于模拟退火算法的高效多目标优化算法,并详细讨论了优化寻优过程中搜索空间、初始可行解、初温和最优目标函数的设计方法.通过在多个标准数据集上的测试验证,证实了本文所提算法的可行性和有效性.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号