基于Gauss核函数的SVM故障诊断技术研究

本文提出了基于Gauss核函数的SVM故障诊断技术,并利用grid法对SVM中参数进行寻优,以保证得到最高分类精度.通过对某航空公司ERJ145的右发AE3007发动机进行故障诊断研究后,证明基于Gauss核函数的SVM在小样本故障诊断中有着较好的适用性和可信性,能够为飞机发动机故障诊断提供有效的参考.     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

基于SVM和"嫦娥一号"数据的月球表面亮温分布

月球表面的微波辐射亮度温度分布与月表物质的物理化学和地理分布特性密切相关.为了分析月球表面微波辐射亮温的分布特点,利用支持向量机(SVM)方法对嫦娥一号(CE-1)绕月卫星搭载的微波辐射计获得的2C级亮温数据建立回归分析模型,并利用粒子群算法优化SVM回归模型,建立了月球表面不同地理位置的4个频率通道(3GHz,7.8GHz,19.35GHz,37GHz)的微波辐射亮温与时间的关系,获得了这4个频率的微波辐射亮温在月表很窄时间段的全球分布,因而显示出了更多的细节特征.最后对这些特征进行了描述并对影响月球表面亮温的因素进行了讨论.     

基于欠采样的零阶优化算法

非平衡学习吸引了许多研究者的关注。一般情况下,少数类是更值得关注的,并且其误分类代价要远高于多数类。由于非平衡数据分布的非均衡性,标准的分类算法将难以适用。为了解决非平衡数据分类问题,给出了基于欠采样的零阶优化算法。首先,为了降低数据非平衡分布的影响,针对不同非平衡比的数据集给出了不同的两种采样策略。然后,采用了一种引入间隔均值项的支持向量机(Support vector machine,SVM)优化模型进行分类,并使用带有方差减小的零阶随机梯度下降算法进行求解,提高了算法的精度。在非平衡数据上进行了对比实验,实验证明提出的方法有效提高了非平衡数据的分类效果。     

Color Image Classification Using Support Vector Machines

0IntroductionThefastadvancementofdigitalimagingtechnologyhasresultedintheexponentialin-creaseofimagedatainbothprofessionalarchivesandpersonalleisurecollections.Effectivelymanag-inglargeimagecollectionsandmakingthemeas-ilyaccessibleposessignificanttechnica…     

基于支持向量机的涡扇发动机起动性能估算研究

针对不同大气条件尤其是高原和高、低温条件,及不同起动机和负载扭矩特性下涡扇发动机起动过程的数值模拟问题,给出了通用起动模型状态空间描述形式,研究了基于支持向量机的起动模型辨识和起动性能仿真方法。以某型涡扇发动机为例,给定某些条件下的起动试验数据,采用模型逐次递推的方式,估算了其它条件下的起动性能。提出的方法能够保证估算结果的准确度,适合于工程应用。     

遗忘因子最小二乘支持向量机及在陀螺仪漂移预测中的应用研究

以陀螺仪漂移误差系数时间序列预测为对象，研究并提出了遗忘因子最小二乘支持向量机算法。构造了以多项式、径向基、小波函数为核函数的支持向量机（SVM）、最小二乘支持向量机（LSSVM）、遗忘因子最小二乘支持向量机（FFLSSVM），比较了它们用于强非线性测试集的泛化性能。实验结果表明：FFLSSVM比由相应核函数构成的SVM、LSSVM自适应性强、预测精度高；三种核函数生成L2（R）子空间上完备基的能力不同，导致三个FFLSSVM逼近任意目标函数的精度有差异；遗忘因子最小二乘小波核支持向量机可有效地用于陀螺漂移误差动态补偿、可靠性辅助决策、故障预测。     

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.     

复合材料钻削刀具状态集成学习分类技术

刀具状态监测关系到工件加工质量,因此实时掌握刀具的磨损状态具有重要的意义。针对单一模式识别分类器的局限性,提出了基于异态集成学习模型的刀具状态监测系统。在该系统中,根据集成学习基分类器选择原则,选取了支持向量机(SVM)、隐马尔科夫模型(HMM)以及径向基神经网络(RBF)这3个单分类器作为基分类器。为了验证监测系统的有效性,进行了复合材料钻削实验,提取了加工过程中的钻削力信号、振动信号的时域特征并利用局部保持法(LPP)进行了特征选择。通过与单分类器和集成学习分类效果的对比,表明了集成学习模型相比于单一基分类器具有更高的分类精度和更好的稳定性。     

卷簧式柔性取样器的取样头-岩石接触原位辨识(英文)

取样头和岩石接触问题与月壤取样的成功与否直接相关,基于小型卷簧式月壤取样器的柔性取样臂结构,提出了振动取样法:在取样过程中采集振动信号进行数字信号处理与分析,达到对取样头-岩石接触的辨识。首先对振动信号进行采集、消除趋势项,然后利用小波多分辨分析去噪,采用现代功率谱中基于AR模型的Burg法对振动信号进行特征提取,最后采用二分类支持向量机对取样头是否接触到岩石进行识别。实验结果证明,卷簧式取样器的振动信号分析能够对取样头-岩石接触问题进行较好的辨识。