基于支持向量回归与多核集成的红外成像导引头抗干扰性能评估方法

面对着日益复杂的对抗环境,红外成像导引头的抗干扰性能需要不断提高。如何全面、客观、准确地对红外成像导引头的抗干扰性能进行评估,是一项急需解决的难题。针对传统基于支持向量机的评估方法中单核学习能力的不足,提出了一种基于支持向量回归与多核集成的评估方法,该方法在抗干扰评估指标体系下得到了综合的抗干扰性能值,为红外成像导引头抗干扰性能评估提供了新的思路。该方法能够训练多个支持向量回归机并融合多个核函数的优势,充分利用了特征的多样性,进一步降低了回归误差。实验结果表明:该算法能够实现高效可靠的红外成像导引头抗干扰性能评估。     

基于Huffman最优二叉树支持向量机的舱音记录器背景信号识别

飞行器舱音记录器(CVR)记录的舱音信号,通常是语音声、警告声、开关按钮声和背景噪声等混合而成.目前国内对该类信号的分析和辨别主要是计算机译码后利用人耳进行辨听,存在不易准确分辨各种独立声音信号的缺点.针对舱音信号是一种非平稳性的时频信号,提出了基于多尺度最优小波包基的CVR背景信号特征提取算法,将10种典型信号进行小波包分解,以分解得到的子带能量作为信号初始特征,再根据类间最大距离准则选取最优小波包基,从而确定待识别信号最具有代表性的特征向量,最后基于Huffman最优二叉树支持向量机进行CVR背景信号分类.仿真实验结果表明,该方法的平均识别率为94.62%,可以应用于CVR背景声音信号的自动识别.     

卫星地面站资源配置的SVM回归模型

针对卫星地面站资源配置问题输入输出关系的复杂性,提出支持向量机（SVM）回归模型。在模型学习过程中,利用正交设计抽样抽取小数量样本对SVM进行训练,求解二次规划问题,根据测试结果对模型参数进行调整以实现较小的预测误差。实验结果表明,该方法具有较好的拟合精度和泛化能力。     

基于SVM的航空发动机油样光谱诊断界限值制定

运用支持向量机(SVM)估计航空发动机油样光谱数据的概率密度函数,根据光谱数据的概率分布求出航空发动机光谱诊断各金属元素的质量分数、质量分数梯度及质量分数比例的正常、警告、以及异常界限值.利用实际的航空发动机光谱数据进行了研究,并与传统的基于正态分布假设下所确定的界限值进行了比较分析.结果表明,实际的航空发动机光谱数据...     

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.     

基于多分类器融合的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了D-S证据理论对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合,结果表明D-S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能,经过融合降低了误诊率,改善了诊断性能。     

基于过程功率谱熵SVM的转子振动故障诊断方法

针对旋转机械振动过程的复杂性和振动故障产生的随机性以及振动故障样本获取难的问题,在信息熵理论的基础上,融合了支持向量机(SVM)小样本、全局性和泛化性好的优点,提出了过程功率谱信息熵(功率谱熵)SVM的故障诊断方法。结合转子实验台,得到了4种典型振动故障在多测点多转速下的数据,通过计算提取了其功率谱熵特征值作为故障样本,即故障向量,并建立SVM诊断模型,对转子振动故障的类别、严重程度和部位识别诊断,验证了该方法在转子振动故障诊断方面效果良好。     

基于小波包分析和支持向量机的转静碰摩部位识别

利用航空发动机转子实验器模拟不同径向碰摩部位下的碰摩故障,提出基于小波包分析的支持向量机转静碰摩部位识别方法.首先将从机匣测得的加速度信号进行小波包分解,提取其归一化能量特征,接下来将得到的归一化能量特征输入至支持向量机中,用以识别不同的碰摩部位.利用航空发动机转子实验器模拟大量不同碰摩程度和不同碰摩部位的样本,利用支持向量机进行训练和测试.结果表明小波包能量特征与支持向量机相结合可以有效地判别转静碰摩部位,且仅需1个传感器即可达到98%的识别率.      

基于量子万有引力搜索的SVM自驾故障诊断

针对自动驾驶仪在实际测试过程中故障样本较少的情况,提出一种基于量子万有引力搜索算法(QGSA)的支持向量机(SVM)故障诊断模型。SVM能较好地解决小样本、非线性问题,适用于自动驾驶仪的故障诊断。为进一步提高万有引力搜索算法(GSA)对参数寻优的收敛速度和收敛精度,将基于GSA的QGSA应用于SVM的参数寻优中,以解决SVM由于参数选取不当导致过学习或欠学习的问题,从而获得最优的分类模型。通过模拟实验分析,当训练样本数量为50时,基于QGSA的SVM故障诊断模型分类准确率便能达到96.530 6%,而基于遗传算法(GA)的SVM故障诊断模型分类准确率为92.040 8%,基于GSA的SVM故障诊断模型分类准确率为91.632 7%。仿真实验结果表明,基于QGSA的SVM故障诊断模型具有更好的故障诊断能力。      

基于卷积神经网络的遥感图像舰船目标检测

针对遥感图像背景复杂、受环境因素影响大的问题,提出一种将卷积神经网络(CNN)与支持向量机(SVM)相结合的舰船目标检测方法,利用卷积神经网络可自主提取图像特征并进行学习的优点,避免了复杂的特征选择和提取过程,在复杂海况背景图像的处理中体现出较优的性能;同时,由于军舰样本获取难度大,应用迁移学习的概念,利用大量民船样本辅助军舰目标的检测,取得较好的效果。通过参数调整与实验验证,此方法在自行建立的测试集上检测率达到90.59%,对光照、环境等外界因素具有一定程度的鲁棒性。