排序方式: 共有5条查询结果,搜索用时 93 毫秒
1
1.
针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率. 相似文献
2.
油流试验表明,迎角α=8°时,小边条机翼的外翼上就出现分离区。通过加翼刀或锯齿或缩短翼展都可以抑制分离区的发展。试验表明,采用加双翼刀和缩短翼展的组合方案,可以使升力曲线随迎角的变化直到α=16°都是线性的。 相似文献
3.
为解决支持向量分类机多分类存在的样本重复训练、训练模型过多的问题,保证模拟电子系统在整体和局部多故障模式上的诊断正确率,提出基于最小偏差的最小二乘支持向量回归机多故障诊断方法.通过引进样本各维度拟合误差相对于平均拟合误差的偏差平方项,最小化维度间的拟合误差间距,得到能够输出多维变量及具有高分辨率的最小二乘支持向量回归机模型.将模型多维输出值与预设的各个多故障模式值相乘,所得结果集中最大值所对应的多故障模式即为最终诊断结果.仿真结果表明:提出的方法在简化训练过程的同时,能够保持良好的整体和局部多故障诊断正确率. 相似文献
4.
模型缩聚是基于频率响应的模型修正的基础,准确的模型缩聚才能保证模型修正的正确性。针对目前的模型缩聚方法对于航天器结构在中高频段不能准确反映模型动力学特性的问题,提出改进的SEREP缩聚方法:以结构的模态分析为基础,通过加入扩展的主自由度增加缩聚模型对应的线性子空间的维数。经实际航天器结构算例证明,在使用改进的SEREP缩聚方法后,缩聚模型的特征值和频率响应的精度得到提高,可以准确反映结构的动力学特性。 相似文献
5.
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. 相似文献
1