基于RFG-SVM算法的在线课程学习行为分析

因支持向量机算法对在线课程平台的学习行为分析有误差,提出了一种基于大数据的随机森林模型的特征加权支持向量机RFG-SVM算法,该算法是在传统支持向量机算法上做完善、修改。利用Gini指数对特征变量计算,再计算RF模型分类识别的准确度,获得特征设定权重值,完成权重值在支持向量机的核函数中的计算。实验结果表明,通过对不同学习行为的学生的学习效果的预测,发现该方法能有效帮助教育者通过在线平台分析学习者的学习行为,预测学习效果,具有更高的准确率和稳定性。     

基于支持向量机的直升机旋翼不平衡故障分类研究

提出一种利用支持向量机进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的支持向量机诊断模型,进行了直升机旋翼不平衡故障模拟试验,分别采集了在旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号,并对其进行了功率谱分析.采用基于支持向量机的诊断模型对旋翼不平衡故障进行了故障分类识别,并与基于径向基神经网络的诊断模型进行了故障识别效果对比.结果表明基于支持向量机的诊断方法在小样本条件下,对旋翼不平衡故障具有良好的识别能力.     

基于支持向量机和线性判别分析的维数约减方法及其应用

目前已提出的一些基于支持向量机的维数约减方法,但其投影矩阵的获得仅考虑支持向量机的类间间隔,而忽略了数据中的类内信息。本文首次提出了一种基于支持向量机和线性判别分析的维数约减方法,称之为DRSL。DRSL实现了类问和类内信息的有效组合,能有效拟合数据中类间和类内结构,使得所获投影矩阵能够提高后续分类器的推广能力。实验验证了该方法的有效性。     

基于粗支持向量机的飞机机体研制费用预测

分析粗糙集理论方法和支持向量机方法的优势和互补性后,探讨粗糙集与支持向量机的结合方法,提出一种基于粗糙集数据预处理的支持向量机预测系统。将该系统用于飞机机体的研制费用预测中,与其它方法相比得到较高的预测精度。     

基于支持向量机的分类器设计

在支持向量机理论的基础上,打破了支持向量机的二类辨识传统,提出基于支持向量机的一类辨识理论,以它为基础设计基于一类辨识的一类分类器。     

贝叶斯回归支持向量机的软测量建模方法

提出了一种基于贝叶斯证据框架的回归型支持向量机的参数选择和软测量建模方法。证据框架的第1层推理用来解释支持向量机的训练。证据框架的第2和第3层推理用于自动调整正则化参数和核参数并使其接近最优值。然后,将这种基于贝叶斯证据框架的回归型支持向量机用于估计聚丙烯腈生产过程的质量指标。仿真结果表明了该方法的有效性。     

基于融合先验知识SVM的航班延误预警模型

针对日益严重的航班延误问题,有必要通过预警机制减少其负面影响,对机场各时段延误程度的预警其实质是一个多类分类问题.利用先验知识确定了一种新的基于相对紧密度的方法来计算各样本的权值,并将其融合到支持向量机模型中,进而结合一对一法(OAO)形成一种一对一加权间隔支持向量机(OAO-WMSVM),用以实现一个多级航班延误预警模型.实验证明,用OAO-WMSVM建立的预警模型能有效判定机场各时段的延误等级;同时还证明,融合了先验知识的SVM比标准SVM具有更好的分类性能.     

支持向量机的正定核(英文)

探讨并论证了支持向量机中Mercer核,再生核与正定核这几种核函数的关系及它们在支持向量机中各自的角色.通过核矩阵的正定性检验了核函数的构造方法.基于Bochner定理,在Fourier域验证了许多平移不变核函数.基于Schoenberg定理验证了一些旋转不变径向核.最后讨论了离散尺度与小波核函数的构造,核函数选择与核参数学习.     

基于小波分析和LSSVM的高压直流电源故障诊断

针对该电源故障样本少、专家经验不足和模式辨识困难的特点,提出了一种基于改进型最小二乘支持向量机的诊断方法,综合利用小波变换和最小二乘支持向量机在时频分析和小样本辨识领域的优点,很好地解决了高压直流电源的故障诊断问题。     

一种新的加权最小二乘支持向量回归机及其对性能退化航空发动机推力估计的应用(英文)

要实现航空发动机的性能退化缓解控制,需要设计一个高精度并具有良好实时性的推力估计器。针对这种需要,本文提出了一种新的加权最小二乘支持向量回归机,并在此基础上设计了性能退化推力估计器。和现有的加权策略相比较,基于此新的加权策略的推力估计器不仅能满足性能退化缓解控制对精度的要求也能满足实时性的要求。最后,仿真实验证明此加权最小二乘支持向量回归机以及基于此回归机设计的推力估计器的有效性和可行性。     

Data Fusion of Multiple Curvature Mode Shapes for Structural Damage Diagnosis

This study aims to develop a reliable method for locating multiple cracks in a beam using data fusion of multiple curvature mode shapes.The identification of multiple damage in beams based on curvature mode shape has become a research focus in recent decades.However,the curvature mode shape method using a single mode carries limited damage information,and fails to reveal all cracks when multiple damage detection is required.To address this limitation,the curvature mode shape method is further enhanced by a data fusion algorithm to fuse damage information in multiple modes.The effectiveness of the method is proved through a numerical case of a beam with multiple cracks.The applicability of the method is experimentally validated by detecting multiple cracks in a composite laminated beam with mode shapes acquired by a scanning laser vibrometer.The results show that the method of fusing multiple curvature mode shapes carries more complete damage information than the traditional one using a single mode,and can successfully locate all cracks in a damaged beam.     

温度变化下基于兰姆波的复合材料结构损伤识别(英文)

提出了一种基于兰姆波的两步识别方法,对温度变化下复合材料结构内部损伤进行监测和识别。首先采用统计偏值分析方法来判别传感器网络监测到的兰姆波信号变化是由损伤引起还是由温度变化引起,从而确定损伤是否发生。在对兰姆波进行傅里叶变换后,从统计角度定义损伤指标以考虑温度变化的影响,并采用蒙特卡罗方法计算无损状态下损伤指标的阈值。如果在运行状态下获得的损伤指标超过了阈值,则认为损伤发生。然后采用损伤存在概率成像方法融合多个激励-接收路径上的损伤指标信息生成诊断图像实现损伤位置识别。对温度变化下的加筋复合材料壁板试件进行的实验研究表明了所提出方法的有效性。     

暂冲式高速风洞流场控制系统建模与仿真

为满足中国空气动力研究与发展中心的2.4m跨声速风洞流场品质改进的需要,有必要建立一个高效的风洞流场控制模型作为控制器设计的验证平台。由于难以建立精确的空气动力学模型,且2.4m 跨声速风洞长期运行积累了大量的试验运行数据的实际,数据建模成为建模方法的首选。在硬件上,建立了基于反射内存技术的流场控制仿真系统,以获取现场采集的数据。建模方法采用数据建模方式,主要是利用系统辨识理论,将整个系统看成是一个“黑箱”,利用现场采集的数据来确定系统的参数和输入输出间的映射关系。采用以非线性自回归滑动平均模型(Non-linear Auto-Regressive Moving Average Model with Exogenous Inputs,NARMAX)作为风洞系统的数据模型,应用互信息法、曲线拟合法和伪最近邻点法分别确定了模型中采样间隔、时间滞后以及阶次3个参数。对比了最小二乘线性回归、BP 神经网络以及最小二乘支持向量机(LSSVM)3种方法对模型的拟合效果,确立了最小二乘支持向量机作为最终的拟合方法。为了提高仿真的精度,根据风洞运行的特点,将其整个过程划分为冲压、启动和调节3个阶段,分别建立了各个阶段的子模型。由于风洞系统是一个多输入多输出系统,并且延迟和阶次较大,采用了基于信息熵的数据压缩方法,实现了简化子模型规模的目的。最后,采用多模型融合的方法将各个阶段的子模型通过加权的方法来完成融合,从而构建起整个风洞系统的模型。稳定段总压和驻室静压分别通过所建模型得到,最后通过马赫数的计算公式得到试验段马赫数值。仿真结果表明:所建模型在运行包络线范围内的试验工况下,总压预测精度达到0.1%、马赫数预测精度基本达到0.001,达到了研究的目的。该项工作的开展较为系统地建立了暂冲式风洞的流场控制模型,建立的模型将为下一阶段基于现代控制理论的控制器设计奠定基础。     

SVM和神经网络在电能质量扰动分类应用中的对比

提出了一种电能质量动态扰动特征向量的提取方法,分析比较了多种分类器对电能质量动态扰动的分类能力。首先采用小波包分解算法对电能质量信号某一频段内的信息进行精细分解从而提取出特征向量,然后针对该特征向量构造了相应的BP神经网络、学习向量量化(Learning vector quantization,LVQ)神经网络、自组织特征映射(Self-organizing map,SOM)神经网络及支持向量机(Support vector machine,SVM)分类器,并模拟实际电网中的复杂扰动信号提取其特征向量集,对多种分类器的分类能力进行对比。仿真结果表明,在较复杂的电能质量扰动情况中,支持向量机分类器仍能实现对信号的精确分类,对电能质量监测具有很好的应用价值。     

基于Lamb波与时频分析的复合材料结构损伤监测和识别

采用将Lamb波和时频分析相结合的方法,对碳纤维增强复合材料层板结构进行在线的连续监测。首先研究Lamb波在复合材料层板结构中的传播问题,利用Mindlin板理论建立了低阶反对称Lamb波在各向异性复合材料层板中随传播角变化的频散关系;然后用小波变换对由压电传感元件激励和接收的Lamb波信号在时频域进行分析,提取特征信息,测量出Lamb波在结构中实际传播的飞行时间和群速度,并与理论结果相比较;在此基础上结合理论与实际量测信息,考虑各向异性对Lamb波速度的影响,使用遗传算法确定损伤位置,并估算损伤尺寸。实验研究表明了本文方法的可应用性和有效性。     

基于支持向量机的Webshell黑盒检测

Webshell是一种基于Web的网站后门程序。当前已有的Webshell检测方法都需要根据脚本程序源代码来检测,因此只能部署在服务器主机上,而且只能检测本机的网站代码。本文通过分析Webshell的HTML页面特征,提出了一种基于支持向量机(Support vector machine,SVM)分类算法的黑盒检测方法。该方法是一种有监督的机器学习系统,对先验网页的HTML页面进行学习,可以在未知脚本源代码的情况下对Webshell进行检测。实现结果表明,该方法在黑盒的条件下达到了较高的准确率和极低的误报率,并且取得了与白盒检测方法相近的检出率,可以部署在基于网络的入侵检测系统中,同时监测多台服务器是否包含Webshell,从而帮助监控入侵趋势和网络安全态势。     

空间柔性充气结构分布式光纤裂纹损伤监测方法

空间柔性充气结构作为一种航天器基本组成单元,在气闸舱、空间居住舱等领域受到越来越多关注。针对此类结构损伤状态的智能辨识,对于目前正在开展的深空与星际探测具有重要意义。为此,本文提出了一种基于分布式光纤传感器的空间充气结构裂纹损伤实时监测技术。借助ANSYS有限元分析方法,数值模拟得到含裂纹损伤的充气结构模型在不同内压载荷作用下的应变响应与分布规律。在此基础上,通过由芳纶编织而成的柔性充气结构表面布置分布式光纤光栅传感网络,实时采集不同位置与程度损伤对应的表面应变分布与变化信息。提取能够表征结构裂纹特征的辨识参量,建立光纤传感器应变响应差值与裂纹损伤长度之间的关系模型,实现裂纹损伤区域定位与损伤长度识别。研究结果表明,本文所提方法具有非视觉测量、实时性好以及多种功能复用等优点,能够为未来空间柔性充气结构服役状态辨识与在轨快速维护提供技术支撑。     

基于NRS-SVM模型的航空弹药消耗预测研究

结合航空弹药训练消耗的特点,研究邻域粗糙集(Neighborhood rough sets,NRS)与支持向量机(Support vector machines,SVM)融合的航空弹药训练消耗预测问题。通过邻域粗糙集将5个初始影响因素约简为3个核心影响因素,并以此训练集对支持向量机进行回归优化。通过参数寻优得到最优的惩罚参数和核参数,进而构建NRS-SVM组合预测模型来预测航空弹药消耗。实证研究表明,该模型预测结果与实际数据吻合度较高,且与其他预测模型相比具有更好的预测性能。     

一种基于遗传算法的机器人补偿学习控制方法

机器人建模的不精确性以及一些扰动的存在给机器人控制增加了相当大的难度。针时这一问题，本文以PUMA560机器人为被控对象，给出了一种PUMA560机器人动力学模型的简化形式，采用PD控制的计算力矩法，得到了机器人的闭环动态误差方程，在此基础上设计了机器人的控制器结构，提出了一种新的基于遗传算法(Genetic algorithm，GA)的机器人补偿学习控制方法。将GA与计算力矩法相结合，利用进化学习来消除机器人中不确定因素的影响，实现时机器人轨迹跟踪的良好控制。最后给出了这种控制的仿真结果，验证了该方法的有效性。