基于新型多分类支持向量算法的发动机故障诊断

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.     

基于支持向量机和蚁群算法的空间目标分类

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.     

树形结构SVMs多类分类的研究

介绍了SVM方法原理,为了将SVM在解决两类分类问题中的优越性推广至解决多类分类问题,分析构建树方法与SVM结合运用来提高SVM在进行多类分类时的训练效率的方法, 然后构造文本自动分类,实验说明该方法有较高的训练效率,并且所需的训练样本量大大降低。     

基于支持向量机的组合分类方法及应用

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。     

基于改进型球结构支持向量机的故障诊断方法及其应用

1引言涡轮泵等是极易发生故障的机械设备,近几年来,神经网络等智能技术在此类设备的故障诊断领域中得到广泛的应用[1]。故障支持向量机是Vapnik等在20世纪90年代研究并迅速发展起来的一种新型的机器学习方法[2],它是专门针对有限样本情况的,其目标是得到现有信息下的最优解而不     

层叠支持向量机的研究

层叠支持向量机是一种新型的SVM训练方法。该方法通过对训练集子集的优化来实现对整个训练集的优化,从而能够快速地解决大规模训练集的分类问题。对Cascade SVM中训练集的划分提出了一种新的划分方法。初步实验结果表明,该划分方法使得Cascade SVM迭代次数更少,收敛速度更快。     

基于单类支持向量机的航空发动机故障检测

通过监控航空发动机性能参数,准确判断发动机的工作状态,预知发动机的异常变化．为预防和排除故障提供充足的时间和决策依据。开发出利用QAR（quick access Feeorder．快速存取记录器）数据的发动机故障检测系统,该系统基于民航发动机的QAR数据,由于发动机正常运行数据容易获取．而故障样本难以获得．因而采用单类支持向量机（OCSVM）,仅依靠发动机的健康数据建立其分类器。利用OCSVM分类器．监控后续航班参数是否出现异常,通过分析检测结果,实现发动机故障检测。采用该系统监控航空发动机性能参数．及时发现发动机运行状态异常,证明了系统的可行性和有效性。     

一种基于多支持向量机的增量式并行训练算法

为了改进传统算法,利用支持向量的特性,提出了一种基于多支持向量机的增量式并行训练算法(PMSVM)。选择对分类超平面有影响的样本点作为支持向量,以增加单个分类器的训练时间为代价换取整体训练和分类的精度。考虑到训练样本的分布对最终结果的影响,加入反馈向量进行适当的重复训练,以调整各分类器的学习性能。通过在测试数据集上进行的实验表明,该算法与批学习增量BSVM算法相比,在提高训练效率和分类精度的前提下,大大降低了训练时间。     

基于支持向量机的发动机性能衰退指标分类和预测

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。     

基于模糊支持向量机的飞机飞行动作识别

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。     

基于改进支持向量机的油液在线监测系统

搭建油液在线监测实验平台进行磨粒分类识别实验,运用支持向量机和最近邻法相结合的方法对飞机发动机油液中的磨粒进行分类识别;其中基于支持向量机的磨粒分类器的输入为磨粒的主轴长度、纹理相关性、圆度等特征参数,输出为磨粒的分类结果;实验结果表明,基于支持向量机的磨粒分类器的分类准确率高达94％,并且由于最近邻法的使用,分类器的处理速度也提高了30％。     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.     

基于支持向量机回归的民机航材消耗预测研究

航材作为装备保障的关键部件,其精确化保障在降低库存管理成本、优化资金分配、提高飞行安全等方面有重要作用。为保障飞机正常起飞,增加航空公司运营收入,降低航材保障费用,针对飞机航材消耗样本小、变化大难以预测的问题,提出一种基于支持向量机回归的航材消耗预测模型。以某国产民用飞机实际消耗数据为例,对支持向量机回归模型的预测精度进行验证。结果表明：该支持向量机回归模型对小样本数据有很好的适应性,相比指数平滑法具有更高的预测精度。     

基于支撑矢量机的织物疵点识别方法

为了对种类繁多的织物疵点使用机器进行有效的检测和分类,提出了基于直方图统计和支撑矢量机的织物疵点识别算法。该算法运用直方图统计的方法,由概率统计生成直方波形,并将其作为支撑矢量机的输入参数,用于训练特征样本集,以获得支撑矢量。实验表明,该算法用于织物疵点检测是可行、有效的,可得到满意的识别结果。     

基于灰色近似支持向量机的加速度计参数预测

温度、振动等环境载荷使得石英挠性加速度计参数产生漂移,直接影响了惯导系统的测量精度和性能,石英挠性加速度计参数变化趋势为非线性的,很难用常规的建模方法进行趋势预测。基于灰色理论适合进行小样本、贫信息不确定型系统建模以及近似支持向量机不需要求解二次规划就能求得非线性模型参数的优点,提出了基于灰色近似支持向量机进行石英挠性加速度计参数预测的方法。为了验证该方法的有效性,针对自然贮存的加速度计进行了固定周期的参数标定,结果表明灰色近似支持向量机具有很好的预测效果。     

基于粒子群算法-最小二乘支持向量机算法的磁化曲线拟合

磁化曲线是强非线性函数,提高磁化曲线的拟合精度对含有铁磁材料的电气设备建模准确性至关重要。提出了一种基于粒子群算法-最小二乘支持向量机(PSOLSSVM)算法的磁化曲线拟合方法。该方法用粒子群优化算法解决了最小二乘支持向量机(LSSVM)参数的选择问题。仿真结果显示PSOLSSVM算法能获得最优的LSSVM参数,且采用PSOLSSVM算法拟合的磁化曲线与实际测量的磁化曲线基本无偏差,拟合精度较高。     

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

基于支持向量机回归和RBF神经网络的PID整定

针对工业控制领域中非线性系统控制,在基于梯度下降法的RBF网络PID整定的基础上,对整定算法作出改进,控制目标不再是使当前跟踪误差最小,而是使当前跟踪误差和下一时刻跟踪误差的平方和最小。实现过程为:先由RBF神经网络在线辨识被控对象离散模型,得到被控对象的Jacobian信息,采用梯度下降法对PID控制器参数进行初步整定;然后,将系统跟踪误差和PID参数输入支持向量机模型,通过回归预测系统下一时刻的误差,改进的整定算法利用预测误差信息对参数进行再整定。仿真结果表明,引入支持向量机回归优化的RBF神经网络PID整定收敛速度更快,精度更高,跟踪性能优于RBF神经网络PID整定。