基于NN与SVM的图像质量评价模型

为了有效地评价图像质量,利用峰值信噪比(PSNR,Pear Signal to Noise Ratio)和结构相似度(SSIM,Structure Similarity)作为图像质量的描述参数,给出"野点"的定义,提出"野点预测"并基于神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立新的质量评价模型:神经网络用来获取质量评价映射函数,支持向量机实现样本分类.采用UTexas图像库数据进行仿真试验,质量评价模型预测图像质量的单调性比PSNR提高7.42% ,质量评价模型预测结果的均方误差平方根比PSNR提高36.06％,模型性能测试中"野点"的数目相对减少,模型性能得以提高.试验结果表明该模型的输出能有效地反映图像的主观质量.      

基于SVM的浮动车行驶模式判断模型

浮动车在低速情况下存在两种行驶模式,如不能对上述模式进行准确区分,将严重影响浮动车实时路况计算的精度和效率.研究和设计了一个基于支持向量机(SVM,Support Vector Machine)的浮动车行驶模式判断模型,并针对性地提出了一种简单的基于隶属度矩阵的特征评价和选择方法.实验表明通过上述方法选择的特征子集所训练的分类器在测试样本集上具有92.6%的分类准确性;经过行驶模式分析后,浮动车系统的准确性有显著提升.      

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。      

基于误差最小的SVM最优分类面修正

针对C-支持向量机(C-SVM,C-Support Vector Machine)中惩罚系数C可能导致最优分类面不合理的问题,提出基于误差最小的SVM最优分类面修正方法.通过调整正负类分类间隔的约束条件,求解使训练样本总误差最小的偏置系数,并兼顾与正负类误差之差的绝对值的平衡,得到误差最小的更优分类面.实验证明该修正方法与C-SVM及其它修正方法相比,具有较高的分类精度和较强的抗噪声与野值数据干扰能力.     

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。      

SVM最优分类面相对位置的修正

通过放宽标准支持向量机(SVM,Support Vector Machines)中类别边界至分类面等间隔的约束,保持两类函数间隔之和不变的条件,在支持向量机思想框架下得出分类面依样本分布进行调整的新型支持向量机,其对偶形式与标准支持向量机完全相同,从而在理论上进一步完善了支持向量机.在此基础上,提出使类别的函数间隔正比于样本标准差的具体算法--方差修正法,达到最优分类面的相对位置依样本方差而调整之目的.从统计意义上来说,方差修正法在分类精度上有所提高,但计算量增加不多.     

基于SVM的低空飞行冲突探测改进模型

为保障通航飞行器在低空空域的飞行安全,提出了一种基于支持向量机（SVM）的飞行冲突探测改进模型。首先,建立适应于飞行器的保护区。然后,利用改进型ID3决策树算法将搜索空间降低到局部的方法筛选具有潜在飞行冲突的飞行器,并利用随机森林（RF）选择合适训练集。最后,利用tanh函数优化容易饱和的sigmoid函数对SVM分类结果的概率映射。通过仿真验证和对比分析,结果表明:利用基于密度聚类的DBSACN算法去除异常点,将剔除产生误报和虚报的数据作为训练集优化SVM分类器,改进的飞行冲突探测模型的误报率和虚报率分别降低了0.6%和1.9%,算法执行效率得到提高,而且具有较好的抗干扰能力与稳定性。      

基于能源分解的用户用电行为模式分析

随着智能电网的普及和大数据技术的发展,利用用电数据分析用户的用电行为越来越受到关注,现存的能源分解方法无法满足实际应用中对分辨率和分解准确率的高要求,以及聚类分析方法过于粗糙没有充分挖掘每类电器的用电特点。提出了基于能源分解的用户用电行为分析方法。在判别式稀疏编码算法模型的基础上,针对L₀正则项不易求解、L₁正则项稀疏约束效果不理想的问题,提出用L_1/2正则项稀疏约束进行能源分解,并且把用户之间的同质性作为正则项加入基础模型来修正模型的性能。基于能源分解的结果,使用用户单类电器的用电特征代替总用电特征精细化分析用户的用电行为,并改进传统的K-Mean聚类算法进行实验验证。实验结果表明:所提出的基于L_1/2正则项稀疏约束和同质性约束的能源分解方法相比于传统判别式稀疏编码算法,能够有效提升能源分解的准确率。同时,基于能源分解的用户用电行为聚类分析效果也有明显提升。      

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

免疫支持向量机用于航空发动机磨损故障诊断

航空发动机在使用寿命周期内会不断磨损最终出现故障,通过对发动机油液监测铁谱分析数据的挖掘可实现磨损故障的诊断。本文研究免疫算法优化的支持向量机(SVM)在航空发动机磨损故障诊断中的运用。首先,总结了支持向量机和免疫算法的运行流程和关键算法。然后,用改进的免疫算法优化支持向量机惩罚因子、松弛变量及核函数参数。某型航空发动机的油液铁谱分析数据和加入噪声数据验证结果表明,该方法可有效实现航空发动机磨损故障诊断且具有较好的鲁棒性。最后,研究了核函数、多分类决策方法、初始种群大小、亲和力计算公式、支持向量机优化方法和归一化方法对磨损故障诊断准确率的影响,得到了最佳诊断方法。     

基于退化数据与故障数据的导弹竞争故障预测

针对具有多元退化量的导弹竞争故障预测问题,分析了导弹退化特性,并在考虑突发故障与退化故障相关性的基础上,建立了具有多元退化量的导弹竞争故障预测模型。对导弹性能退化数据与突发故障数据进行统计推断,确定了数据的分布类型,在此基础上对竞争故障预测模型的参数进行了求解。针对导弹性能退化数据分布参数存在非线性、小样本等问题,运用最小二乘支持向量机(LS-SVM)预测模型对性能退化数据的分布参数进行了预测,得到了性能退化数据未来某一时刻的分布函数;针对退化量与突发故障的相关性,应用位置-尺度模型分析了退化量与突发故障的关系,得出了突发故障与退化量的相关参数,进而根据导弹竞争故障预测模型得到了导弹未来一段时间内的竞争故障概率。以贮存状态下的整批导弹为例,实现了导弹竞争故障预测,并与其他预测方法进行了对比,结果验证了方法的合理性与有效性。      

基于测试性D矩阵的多故障诊断与维修策略

针对复杂的多故障诊断问题以及多故障直接处理方法实现的难点,在测试性D矩阵基础上,提出了一种基于单故障化的多故障诊断与维修策略（MFDMSTS）。首先,在多故障假设下引入析取运算,定义了可隔离单故障和可隔离多故障,据此定义将多故障转化为单故障,并将转化的单故障与测试集组成新的D矩阵;然后,运用单故障诊断算法处理新的D矩阵,得到最优诊断树;最后,针对诊断树的不同叶子节点,提出了多故障诊断与维修策略。实例验算表明：MFDMSTS能降低平均诊断费用和平均诊断步数,并大幅降低误修率。     

基于自适应UKF的敏感器故障诊断算法

针对非线性系统中敏感器测量过程存在异常干扰和出现仪器故障问题,提出一种基于自适应UKF(Unscented Kalman Filtering)的鲁棒故障诊断算法.算法通过新息特性分析引入自适应矩阵对异常干扰和仪器故障建立系统级抑制和部件级诊断.系统级检测将UKF的新息特性通过自适应函数引入状态预测,修正异常值对状态预测值的影响,达到对异常干扰的鲁棒性.部件级检测将新息特性分解成各部件参数的新息特性,建立各自敏感器的自适应矩阵,通过对自适应矩阵的迹进行判断,检测是否发生故障并隔离故障.仿真结果表明,算法对异常值具有较强的鲁棒性,对测量仪器失效造成的故障能够准确地检测并给出故障大小.算法结构简单,计算量小,对工程应用具有较好的参考价值.      

基于小波包分解的早期碰摩故障诊断研究

研究了旋转机械转静件早期碰摩故障信号的检测问题.根据小波包分解能在所有频率范围聚焦,对信号奇异性非常敏感的特性,对比分析了不碰摩和早期碰摩信号的小波包分解细节分量,得出应用小波包分解可实现早期碰摩故障诊断.同时,还研究并实现了碰摩故障的定位问题.      

融合粗糙集与D-S证据理论的航空装备故障诊断

针对航空电子装备故障诊断中出现的多源诊断信息存在冲突的情况,基于粗糙集与证据理论在处理不确定问题时的优势,提出了一种融合粗糙集与证据理论的故障诊断方法.该方法利用粗糙集将信息源给出的诊断数据转化为证据理论中的mass函数,进行结果融合.同时,该方法给出边界粗糙熵的定义,并基于边界粗糙熵获得反映各信息源在诊断融合过程中重要度的动态权重参数,提出一种新的证据理论的冲突合成规则.仿真实验表明,该方法可以有效地提升诊断信息融合结果的准确性,在航空电子装备故障诊断方面有较好的实用价值.      

一种基于SVM的低空飞行冲突探测算法

随着低空飞行密度不断增加,低空航行安全已引起广泛关注,由于低空环境复杂,低空飞行受地面障碍物和天气影响比商用航空显著,传统的空中交通警戒与防撞系统（TCAS）和其他冲突探测方法并不适用于低空密集飞行环境。针对传统探测方法计算量大、适用性差的不足,引入支持向量机（SVM）的二元分类方法,通过对本机和周边飞机航迹归一化处理,采用智能优化算法对关键参数进行优化,利用模拟数据对分类器进行预先训练,实现了适用于低空飞行的高效冲突探测。以大量的仿造数据对算法有效性进行了测试验证,结果表明漏警率和误警率分别控制在约0.1%和6%,克服了传统确定型方法与概率型方法难以兼顾效率与适用性的缺陷。