模糊可靠性模型的收敛性及改进的截集分布

基于截集法的结构模糊可靠性基本模型已被用于各种可靠性工程问题中,形成了应力-强度模糊可靠性干涉模型、结构疲劳寿命模糊可靠性模型和结构抗共振模糊可靠性模型等具体模型.提出了常用截集分布下模糊可靠性模型的收敛性定理,并予以理论证明,进而针对单侧无限安全域和双侧无限安全域这两类模型,分别给出了相应推论.定理表明,当截集逐渐变长时,采用常用截集分布所得的可靠性分析结果趋于某一固定值,而与具体的结构无关,因此是不合理的.为了避免这种不足,提出了一种新的截集分布——修正的截尾正态分布.并通过3个具体例子验证,采用文中所给的截集分布,模糊可靠性模型收敛于相应的随机可靠性模型,表明其具有良好的收敛性和更好的适用性.     

独立多细节结构耐久性试验寿命的统计标定

在进行疲劳试验评定结构寿命时,为了能真实模拟实际结构形式和传载情况,模拟试件往往设计成多细节试件,进行不完全疲劳寿命试验,必须由多细节试件寿命推断单细节寿命.针对工程上常用的两种寿命分布形式:对数正态分布和双参数Weibull分布,以结构串联失效模型为基础,建立了由相同独立多细节结构疲劳寿命分布确定单细节寿命分布的统计标定方法.当多细节试件寿命服从对数正态分布时,可近似认为单细节寿命也服从对数正态分布,单细节寿命分布参数与多细节试件寿命分布参数间存在确定关系,并且单细节寿命数学期望和标准差均高于多细节试件相应参数;当多细节寿命服从双参数Weibull分布时,单细节寿命也服从双参数Weibull分布,其斜率不变,但位置参数按比例放大.最后给出了一个分析实例.     

基于最小偏差LS-SVR的模电系统多故障诊断

为解决支持向量分类机多分类存在的样本重复训练、训练模型过多的问题,保证模拟电子系统在整体和局部多故障模式上的诊断正确率,提出基于最小偏差的最小二乘支持向量回归机多故障诊断方法.通过引进样本各维度拟合误差相对于平均拟合误差的偏差平方项,最小化维度间的拟合误差间距,得到能够输出多维变量及具有高分辨率的最小二乘支持向量回归机模型.将模型多维输出值与预设的各个多故障模式值相乘,所得结果集中最大值所对应的多故障模式即为最终诊断结果.仿真结果表明:提出的方法在简化训练过程的同时,能够保持良好的整体和局部多故障诊断正确率.     

基于多特征融合的电磁换向阀故障模式识别

为提高基于驱动端电流检测的电磁换向阀故障诊断方法的可靠性和识别准确度，开展了电磁换向阀故障模式识别方法研究。提出一种基于多特征融合的方法对电流信号时频分析和时域参数的特征值提取融合；通过设计电磁换向阀驱动端电流信号的采集实验，获取电磁换向阀驱动端电流的时域信号和二阶变化率的多特征曲线，提取时域参数及二阶变化率相应频带能量作为特征值，构建多特征融合的特征向量；采用基于径向基核函数的多分类支持向量机对电磁换向阀进行模式识别。结果表明：基于多特征融合的支持向量机较基于能量特征值的支持向量机可提升8.7%的识别精度和42.11%的验证准确率。     

基于支持向量机的滚动轴承状态寿命评估

应用状态寿命描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量,利用支持向量机作为辨识算法建立滚动轴承状态寿命评估模型.滚动轴承全寿命试验验证了模型的有效性和可信性.     

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法——加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.      

基于支持向量的迭代修正质心文本分类算法

针对质心分类算法容易产生归纳偏置或模型失配问题的不足,提出一种基于支持向量的迭代修正质心分类算法.该方法仅使用由支持向量机(SVMs,Support Vector Machines)选出的支持向量来构造质心向量,然后利用训练集误分样本来迭代修正初始质心向量.与其他分类算法相比,该算法取得较好的宏平均F₁和微平均F₁,在8个常用文本分类数据集上的实验验证了该算法的有效性,特别是在不均衡文本语料上.     

可修产品的步进应力加速寿命试验统计分析

为了通过可修产品在步进应力加速寿命试验中产生的故障数据,评估可修产品的寿命和可靠性指标,基于产品在两个不同应力水平下的累积故障强度函数相等的原则,提出了可修系统步进应力加速寿命试验的时间折合公式.通过反复迭代,可修系统在步进应力加速寿命试验过程中产生的故障数据可以折合到相同试验条件下.在产品进行最小修复的假设下,采用引入位置参数的三参数Weibull过程结合Peck加速模型对试验过程进行拟合.通过使用该模型对折合后的数据进行处理,外推得到了可修产品在正常应力条件下的寿命和可靠性指标.使用剩余分布抽样方法进行计算机仿真,验证本文方法的正确性.结果证明该模型和方法不仅在参数估计方面比传统的模型有更高的精度,而且还可以应用到可靠性增长试验的数据评估中.      

基于回归型支持向量机的空战目标威胁评估

空战目标威胁评估是协同多目标攻击中的关键问题.针对传统空战目标威胁评估方法在确定权重系数方面的不足,提出了一种新的基于回归型支持向量机的评估方法.在分析了现有的空战目标威胁评估方法中距离威胁模型存在缺陷的基础上,提出了改进的距离威胁模型.建立了基于回归型支持向量机的空战目标威胁评估模型,利用该模型对想定的空战目标进行了威胁评估.仿真结果表明,该方法具有很好的预测能力,可以快速、准确地完成空战目标威胁评估.     

CME引起的地磁暴穿越时间

日冕物质抛射(CME)从发生至引起地磁暴最大值的时间间隔称为穿越时间.本文选取1997-2015年89个CME-Dst事件,分析CME速度、能量、耀斑类型等对穿越时间的影响;采用非线性拟合以及支持向量机(SVM)非线性回归技术,建立基于1997-2009年62个CME-Dst事件的CF模型和SVM模型,并利用其余27个CME-Dst事件对模型预报效果分别进行检验.结果表明,CF模型和SVM模型的预报准确率均达到85.2%,其中CF模型的平均绝对值误差为13.77 h,而SVM模型为13.88 h.与ECA模型结果(准确率为77.8%,平均绝对值误差为14.55 h)进行对比发现,CF模型和SVM模型的准确率更高而误差更小.CF模型和SVM模型能够提前1~5天较好地预报地磁暴爆发时间.     

Solar activity prediction studies and services in NAOC

Solar activity prediction services started in 1960’s in National Astronomical Observatories, Chinese Academy of Sciences (NAOC). As one of the members of the International Space Environment Service (ISES), Regional Warning Center of China (RWC-China) was set up in 1990’s. Solar Activity Prediction Center (SAPC), as one of the four sub-centers of RWC-China, is located in NAOC. Solar activity prediction studies and services in NAOC cover short-term, medium-term, and long-term forecast of solar activities. Nowadays, certain prediction models, such as solar X-ray flare model, solar proton event model, solar 10 cm radio flux model, have been established for the practical prediction services. Recently, more and more physical analyses are introduced in the studies of solar activity prediction, such as the magnetic properties of solar active regions and magnetic structure of solar atmosphere. Besides traditional statistics algorithms, Machine Learning and Artificial Intelligence techniques, such as Support Vector Machine (SVM) method, are employed in the establishment of forecast models. A Web-based integrated platform for solar activity data sharing and forecast distribution is under construction.     

Developing a dust storm detection method combining Support Vector Machine and satellite data in typical dust regions of Asia

Enhancing the dust storm detection is a key part for the environmental protection, human healthy and economic development. The goal of this paper is to propose a new Support Vector Machine (SVM)-based method to automatically detect dust storms using remote sensing data. Existing methods dealing with this problem are usually threshold-based that are of great complexity and uncertainty. In this paper we propose a simple and reliable method combining SVM with MODIS L1 data and explore the optimal band combinations used as the feature vectors of SVM. The developed method was evaluated by MODIS and OMI data qualitatively and quantitatively on three study sites located in the Arabian Desert, Gobi Desert and Taklimakan Desert, and it was also compared to three other traditional methods based on their accuracy, complexity, reliability and sensitivity to thresholds. The detection results demonstrated that the combination of (Band7 − Band3)/(Band7 + Band3) ((B7 − B3)/(B7 + B3)), Band20 − Band31 (B20 − B31), and Band31/Band32 (B31/B32) can detect the dust storms more precisely than other individual bands or their combination. The comparison among those cases indicated that the proposed automatic method exhibited an advantage of minimizing the uncertainty and complexity, which were the limits of defining thresholds based on the threshold-based methods. The conclusions can provide references for studies that focus on statistical-based dust storm detection.     

基于SVM和EKF的高超声速滑翔飞行器轨迹预报

高超声速滑翔飞行器（HGV）拦截问题中，轨迹预报是成功拦截的重要基础。针对HGV机动能力强、轨迹多变的特点，提出了一种基于支持向量机（SVM）和扩展卡尔曼滤波（EKF）的轨迹预报方法。在HGV的滑翔段机动模式分析的基础上，将HGV的机动运动分解为纵向运动模式和侧向运动模式，进而对运动模式的特征参数予以标定，形成SVM的训练集。建立地基单雷达轨迹跟踪模型，采用EKF对HGV滑翔段轨迹进行稳定跟踪并实现对运动模式特征参数的估计。基于SVM，建立了HGV运动识别框架，实现了对HGV滑翔段轨迹的预报。对平衡滑翔和跳跃机动2种典型机动模式进行数学仿真验证，结果表明，所提方法可以提高对该类目标的轨迹预报精度。      

一种基于自动特征学习的陨石坑区域检测算法

基于陨石坑的视觉导航技术成为一种新颖的高精度空间探测自主导航方式，如何从导航图像中精确地提取陨石坑区域是实现基于陨石坑视觉导航的首要条件。针对这一问题，根据陨石坑导航图像特点，提出了一种基于自动特征学习的陨石坑区域检测算法。首先，基于最大稳定极值区域检测算法提取陨石坑候选区域；其次，利用卷积神经网络（CNN）自动学习提取候选区域的特征；最后，通过支持向量机（SVM）实现候选区域的精确分类，得到真实的陨石坑区域。大量的仿真实验表明:与传统的基于人工特征的陨石坑区域检测算法相比，提出的基于自动特征学习的陨石坑区域检测算法具有更高的检测精度和更好的鲁棒性，在通用火星表面陨石坑数据集上，所提算法的F₁度量指标较于传统算法高出8%，可以广泛地应用于基于陨石坑的视觉导航算法中的陨石坑区域提取，为基于陨石坑视觉导航算法提供精确的导航路标输入。      

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题，利用机载燃油转输系统实验平台收集的振动信号和压力信号，提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先，利用EMD提取振动信号不同频段的能量值作为特征参量，并结合压力信号均值构造故障特征向量；其次，分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化，并对优化后的SVM诊断性能进行了评估；最后，分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器，并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%，寻优过程中均未陷入局部最优解，且寻优时间相当，其中GA的训练时间最短，可以采用GA对SVM参数进行寻优；当采用GA_SVM作为故障分类器时，用时较短，且故障诊断率较高，可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

基于统计特征空间提取和支持向量机的极暗弱小天体检测方法

小天体检测是小天体防御和预警的前提。针对小天体目标信噪比低、检测难的问题,提出了基于统计特征空间提取和支持向量机（SVM）的极暗弱小天体检测方法。区别于传统方法基于时间或空间上目标的能量和背景噪声能量的瞬时能量差别或是瞬时能量差别的累积,对目标进行检测。该方法不依赖目标能量大小,提取运动目标穿过背景时对稳定性产生的扰动来反演运动目标。将输入的图像序列转化为单像元时序信号,划分时序窗口提取统计特征,关联形成统计特征空间,利用更高维度的变化特性检测目标变化。通过SVM将暗弱小天体检测问题转化为目标与背景的二分类问题,避开了较难解决的阈值分割问题同时具有更好的泛化性能。利用真实数据与其他经典方法进行对比分析,使得分类准确率提高4.02%。该方法能够适应更低的信噪比,在极低信噪比下仍表现出稳定的检测性能。     

Classification of hyperspectral remote-sensing data with primal SVM for small-sized training dataset problem

With recent technological advances in remote sensing, very high-dimensional (hyperspectral) data are available for a better discrimination among different complex land-cover classes having similar spectral signatures. However, this large number of bands makes very complex the task of automatic data analysis. In the real application, it is difficult and expensive for the expert to acquire enough training samples to learn a classifier. This results in a classification problem with small-size training sample set. Recently, a regularization-based algorithm is usually proposed to handle such problem, such as Support Vector Machine (SVM), which usually are implemented in the dual form with Lagrange theory. However, it can be solved directly in primal formulation. In this paper, we introduces an alternative implementation technique for SVM to address the classification problem with small-size training sample set. It has been empirically proven that the effectiveness of the introduced implementation technique which has been evaluated by benchmark datasets.     

Optimization of One versus All-SVM using AdaBoost algorithm for rainfall classification and estimation from multispectral MSG data

In this paper, we implement the AdaBoost algorithm to optimize the classifications results of precipitations intensities carried out by One versus All strategy using Support Vector Machine (OvA-SVM). The model developed which combines the AdaBoost algorithm with a multiclass SVM is applied to images from the MSG (Meteosat Second Generation) satellite. Other variants to build multiclass SVMs, such as the OvO-SVM (One versus One SVM), SBT-SVM (Slant Binary Tree SVM) and DDAG-SVM (Decision Directed Acyclic Graph) are also implemented on which we tested the AdaBoost algorithm. The study showed that the AdaBoost algorithm performed better in the case of the OvA-SVM variant compared to the other variants.In order to evaluate the elaborated model, some classification techniques, such as the ECST Enhanced Convective Stratiform Technique (ECST), the SART where the Support vector machine, Artificial neural network and Random forest classifiers are combined, the Convective/Stratiform Rain Area Delineation Technique (CS-RADT) and the Random Forest technique (RFT) are applied. The classification results obtained show that AdaBoost with OvA-SVM (AdaOvA-SVM) presents very interesting performances where the evaluation parameters POD, POFD, FAR, BIAS, CSI and PC indicate the values 95.2%, 12.4%, 14.7%, 0.9, 88.1% and 96.5% respectively. Indeed, the AdaOvA-SVM technique has surpassed the CS-RADT, ECST and RFT techniques. As for the comparison with the SART, we noted that OvA-SVM presents very close results. The same trend was also observed when estimating precipitation. At the end of this study, it is shown that the AdaBoost algorithm performs better on a weak classifier or on a strong classifier operating in an unfavorable environment.     

基于支持向量机方法的地球同步轨道相对论电子事件预报模型研究

提出了一种基于支持向量机方法(SVM)的地球同步轨道相对论电子事件预报模型. 模型以平均影响值(MIV)作为指标, 筛选出预报输入参量. 这些参量包括, 前一日的大于2MeV电子日积分通量、太阳风速度、太阳风密度、Dst指数和前二日的AE指数. 模型包含回归和分类两个部分, 可以分别对未来一天的电子日积分通量和相对论电子事件强度的级别做出预报. 对2008年样本进行测试, 在相对论电子通量的预报中, 预报值和实测值之间的线性相关系数为0.85, 预报效率为0.71; 对相对论电子事件级别预报的准确率为82%, 可以较准确区分开事件状态与非事件状态. 结果表明, SVM预报模型对相对论电子事件有较好的预报效果.