支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。     

A multilayer perceptron and multiclass support vector machine based high accuracy technique for daily rainfall estimation from MSG SEVIRI data

The current paper introduces a new multilayer perceptron (MLP) and support vector machine (SVM) based approach to improve daily rainfall estimation from the Meteosat Second Generation (MSG) data. In this study, the precipitation is first detected and classified into convective and stratiform rain by two MLP models, and then four multi-class SVM algorithms were used for daily rainfall estimation. Relevant spectral and textural input features of the developed algorithms were derived from the spectral MSG SEVIRI radiometer channels. The models were trained using radar rainfall data set colected over north Algeria. Validation of the proposed daily rainfall estimation technique was performed by rain gauge network data set recorded over north Algeria. Thus, several statistical scores were calculated, such as correlation coefficient (r), root mean square error (RMSE), mean error (Bias), and mean absolute error (MAE). The findings given by: (r = 0.97, bias = 0.31 mm, RMSE = 2.20 mm and MAE = 1.07 mm), showed a quite satisfactory relationship between the estimation and the respective observed daily precipitation. Moreover, the comparison of the results with those of two advanced techniques based on random forests (RF) and weighted ‘k’ nearest neighbor (WkNN) showed higher accuracy obtained by the proposed model.     

基于SVM的SAR图像中水上桥梁目标的检测

针对SAR图像中桥梁目标的特性,提出了一种基于统计特性和先验知识相结合的桥梁目标检测方法。通过对SAR图像中桥梁和背景的分析,首先对河流区域进行特征提取,再利用支持向量机方法对数据进行训练建模,通过训练后的模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测。基于真实SAR图像的实验结果显示,此方法不需要对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速检测SAR图像中的桥梁目标。     

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。     

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。      

高速精密轧辊磨头主轴电机SVM-DTC系统的无速度传感器控制

针对一种主轴砂轮线速度在80 m/s以上的高速精密轧辊磨床,以主轴异步电机YVF160L2和逆变器的数学模型为基础,采用空间电压矢量调制(SVM)与直接转矩控制(DTC)相结合的SVMDTC方案,减少轧辊磨头砂轮主轴运行时的转矩脉动;并利用模型参考自适应器建立了速度观测器,实现高速精密轧辊磨头主轴电机无速度传感的闭环控制。仿真结果表明,基于辨识速度的SVMDTC系统能有效改善主轴电机运行时定子磁链和输出轴转矩的波动,控制性能得到明显提升。     

Diverse AdaBoost-SVM分类方法及其在航空发动机故障诊断中的应用

 提出采用考虑到精度/差异权衡的SVM作为弱分类器的一种新的组合分类诊断方法——Diverse AdaBoost-SVM。该方法通过在一组具有适当精度的弱分类器中进一步选择具有较大差异性的弱分类器,对这些具有较大差异性的弱分类器进行组合,从而较好解决AdaBoost算法中存在的精度/差异权衡的难题;同时该方法也较好地解决了现有的AdaBoost方法存在的弱分类器本身参数选取困难问题及训练轮数T的合理选取问题。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明和其他方法相比,Diverse AdaBoost -SVM方法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,也更适合对非对称故障样本集进行分类。     

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。     

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。