一种基于二维经验模式分解的人脸识别方法

针对小波变换在人脸识别中存在识别正确率较低的问题,提出了一种基于二维经验模式分解的人脸识别方法。首先利用二维经验模式分解对人脸图像进行分解,再提取各分解子图像的能量作为人脸特征向量,并采用支持向量机进行训练和识别。经剑桥大学ORL人脸库的图像识别实验表明,所提方法的识别率高于小波方法,正确率达到98.6%。     

基于小波包分解的水面目标吨位大小分类方法

基于不同吨位大小的水面船舶辐射噪声特点,提出了一种利用小波包分解提取各频率段能量作为分类特征,利用支持向量机算法进行分类的方法。比较了基于三种不同核函数的支持向量机性能。仿真结果表明,利用小波包分解和支持向量机能对水面目标吨位大小进行有效估计。     

最小二乘支持向量机的电气设备磨损识别方法研究

电气设备发生故障或者老化的时候,运行声音首先发生变化,为了准确的识别电气设备的磨损状态,提出了基于电气设备磨损声发射信号的小波包多尺度信息熵(频域)特征和 AR模型系数(时域)特征相触合的特征提取方法.然后采用核主成分分析方提取触合特征的主元,降低特征向量维数组成新的特征向量,送入最小二乘支持向量机训练、识别.     

基于LMD-LSSVM的扬声器异音故障诊断方法研究

文章采用局部均值分解(Local mean decomposition,LMD)和最小二乘支持向量机(Least squares support vector machine,LSSVM)相结合的方法进行扬声器异音故障诊断的研究.首先,选取正常扬声器与漏气、铁粉杂质、小音三种故障类型的扬声器作为研究对象,在实验平台上对上述四种类型扬声器施加激励信号.然后,获得不同类型的响应信号并对其进行LMD分解,得到一系列乘积函数(Product function,PF),求出它们的能量熵,构成特征向量.最后,将提取的特征值作为LSSVM模拟分类器的输入量进行训练和识别,诊断出扬声器的故障类型.实验结果表明,该方法可以有效地对扬声器异音进行故障诊断分类,诊断准确率平均达93.42％.     

基于计算智能的损伤检测研究

本文将计算智能(CI)现代信号处理方法有机地结合起来进行损伤检测,提供了一种机械传动系统故障诊断方法。采用离散小波分解和小波包变换,分别对去噪后的信号进行分解,对齿轮不同状态下的信号进行了研究。重构了小波变换后的各层信号,并计算了各层信号的能量,得到了信号的能量分布特征。分别利用小波分析与神经网络相结合和小波包变换与支持向量机相结合的计算智能算法对获得的齿轮特征信号进行了分析、识别和比较。研究表明,该方法可以很好的用于设备损伤检测领域。     

基于粗集的支持向量机文本分类方法研究

本文提出了一种基于粗糙集的支持向量机文本分类方法。该方法利用粗糙集的约简理论降低了支持向量的维数,同时保证了分类性能。实验表明该方法能获得较好的分类效果。     

浅谈有关高压断路器振声联合故障的诊断方法

根据现有高压断路器机械的故障诊断方案不足,本文就高压断路器发生振声联合故障提出一种新的诊断方法。此方法基于改进集合经验模式分解(EEMD),利用核独立分量(fast KIcA)对采集到的声波信号进行分析核对盲源进行分离处理,并对处理后的声波信号以及振动信号进行EEMD处理。再对每一个分解后产生的固有模态函数(IMF)进行二维谱熵求解,再以此二维谱熵矩阵为基础对矩阵进行变换,作为其支持向量机的特征向量的输入识别断路器机械的状态。可以发现,振声联合分析方法可以有效提高高压断路器机械诊断的正确和可使用性。     

基于Hilbert谱提取的舰船发动机故障信号分解

发动机故障特征提取是进行故障诊断的基础,研究舰船发动机故障信号分解下特征参数提取和专家系统故障诊断识别问题,传统方法中通过经验模态分解方法提取故障信号的基频信息,在特征分解过程中需要预先选择基函数,计算复杂,且不能反映信号的幅值在整个频率段上随频率的变化,故障信息表征不全。提出一种基于改进的经验模态分解Hilbert谱提取的发动机故障诊断方法,采用Hil-bert-Huang变换方法的Hilbert谱提取方法,把舰船发动机故障信号这一复杂信号分解成若干个IMF分量之和,利用局部极大值与局部极小值对信号的特征时间尺度进行信号包络分解,在时变ARMA(2p,2q)模型中,分别对每个IMF用Hilbert-Huang变换进行谱分析,提取故障信号的Hilbert谱特征,在Simu-link平台下进行仿真实验,结果表明该故障诊断方法和智能专家系统能准确诊断发动机5类故障,稳定性好。     

优化VMD在轴承故障诊断中的应用

针对早期轴承故障的振动信号特征匹配度低的问题,本文给出一种优化VMD在轴承故障诊断中的应用。首先通过优化VMD突出信号有效信息;然后提取出最佳分量的特征向量;最后将支持向量机作为分类算法,识别轴承的故障类型。实验结果表明,该方法避免了VMD参数选取的盲目性,能够有效诊断出轴承的早期故障。     

基于SVM/LDA的SAR图像目标鉴别方法

提出一种基于主成分分析和支持向量机与线性判别分析结合算法的合成孔径雷达(synthetic aperture radar,SAR)图像目标鉴别方法.利用主成分分析算法对SAR图像向量进行降维并提取其全局特征,对降维后的全局特征采用最小类内散度支持向量机算法进行变换,并对变换结果训练生成最佳分类器,进行分类完成目标鉴别.实验结果表明该方法可以获得较高的分类正确率.     

分析SVM在变压器保护方面的应用

可靠、快速地鉴别内部故障和励磁涌流条件,仍然是一个具有挑战性的问题。本文我们将讨论支持向量机(SVM)对变压器差动保护方面的应用。为了取得不同令人满意的分类强度我们将充分考虑各种输入向量和训练参数。最后,分析不同版本的SVM分类器,测试基于支持向量机电力变压器保护的装置的EMTP-ATP生成的信号。已经设计完成的支持向量机分类器和标准的差动保护用传统二次谐波稳定的方法在性能上进行了比较。而且,我们对提出的支持向量机在潜在的硬件实现上进行了分析。     

基于小波包分析和SVM的爆破震动与岩石破裂微震信号的识别研究

为提高爆破震动与岩石破裂微震信号辨识精度,以某金属矿山现场微震监测数据为基础,首先采用小波包分解对矿山爆破震动和岩石破裂信号进行2层分解,对比两类信号在4个频段内的能量分布的特征,进而以两类事件的低频段(0～125 Hz)能量百分比、中低频段(125～250 Hz)量百分比、中高频段(250～375 Hz)能量百分比、高频段(375～500 Hz)能量百分比为特征向量,利用支持向量机(SVM)对爆破和岩石破裂微震信号进行了训练和分类,结果表明:两类事件在0～125 Hz的能量分布差异最大,且以0～125 Hz的能量百分比10%作为分界值时的准确率达到87.5%;SVM的分类正确率为94%,取得了理想的分类效果。     

基于粗糙集约简并加权的SVM分类算法

针对Web中文文本分类中现有权重计算方法的不足和支持向量机算法对大数据量模式分类的低效性,提出了基于粗糙集约简并且加权的支持向量机分类方法;粗糙集作为支持向量机分类的前期预处理器,应用粗糙集的约简理论和基于Web中文文本的可变精度粗糙集加权方法对分类前的数据分别进行简化并计算权重,从而提高支持向量机后期分类的效率和精度;实验结果表明,支持向量机对约简并加权后的数据进行分类,分类性能得到了进一步保证。     

基于Hopfield的脱机手写数字识别理论及算法

脱机手写数字识别在很多领域具有广泛的应用前景,国内外学者对此做了大量的研究工作,提出了很多预处理和模式识别的算法,大大提高了手写数字的识别精度。为了提高手写数字识别的精度,本文将Hopfield神经网络应用于脱机手写数字识别分析中,Hopfield神经网络的“能量函数”的能量在网络运行过程中,具有不断地减少最后趋于稳定的平衡状态的特性,而且网络一旦建立即可自动运行,无需训练。脱机手写数字的识别过程分为两步：训练阶段,识别阶段。在训练阶段,提取训练样本集的代数特征,建立网络模型,以输八向量为目标向量,保存网络连接权值和闺值以及代数特征;在识别阶段,将待识别数字特征送入网络运行,待网络运行到平衡状态后,将输出结果与数字特征库的向量进行比较,距离最小者即为待识别的数字。     

基于最小二乘支持向量机的轴承故障诊断研究

针对神经网络在轴承工作状态诊断中存在的问题,提出了将最小二乘支持向量机用于轴承的智能诊断。基于轴承故障信息,用最小二乘支持向量机方法建立多类故障分类器,以实现对故障的诊断。仿真证明:小样本情形下,最小二乘支持向量机比神经网络具有更好的识别和诊断准确率。     

基于特征选择和支持向量机的入侵检测方法

为去除网络入侵数据集中的冗余和噪声特征,降低数据处理难度和提高检测性能,提出一种基于特征选择和支持向量机的入侵检测方法。该方法采用提出的特征选择算法选取最优特征组合,并以支持向量机为分类器建立模型,应用于入侵检测系统。仿真结果表明,本文方法不仅可以减少特征维数,降低训练和测试时间,还能提高入侵检测的分类准确率。     

电力变压器局部放电模式识别

为了最大限度提取到局放故障最本质的信息,利用超球面支持向量机对不同绝缘故障局部放电类型进行模式识别。局部放电信号检测复杂,对应故障类型多样,局部放电样本数目有限且特征量呈非线性,使得BP神经网络和SVM的识别率较低。本文基于自回归系数特征,采用经过粒子群优化的超球面支持向量机对不同绝缘故障类型的局部放电进行模式识别,识别率高,这对提高局部放电模式识别率具有一定的指导意义。     

基于核Fisher鉴别分析的网络入侵检测算法

提出了一种将核Fisher鉴别分析特征抽取与多分类支持向量机算法结合的网络入侵检测技术,扩展了二分类支持向量机,利用经过核Fisher鉴别分析特征抽取后的训练数据构造优化的决策树,从而实现支持向量机的多分类.实验结果表明该算法能够提高检测正确率,同时降低训练时间,取得了良好的效果.     

基于END的小电流接地故障选线研究

经验模态分解(EMD)方法能够依据信号自身特性将其分解为周期分量和直流分量,它适用于处理非线性和非平稳信号。针对小电流接地系统故障信号的非平稳特征,提出了一种基于EMD的零序衰减直流分量选线方法。该方法对各条线路的零序电流进行EMD分解,得到衰减直流分量,并计算直流分量的均方根。依据故障线路衰减直流分量大于非故障线路的物理特性,准确选出故障线路。通过现场实际运行数据对该方法进行了验证,表明该方法能够有效判断出故障线路,满足实用化要求。     

基于故障相电流能量特征分析的选线方法

为解决现有故障选线方法效果不佳的问题,本文利用绝缘监测系统的选相功能及故障线路与非故障线路故障相暂态电流幅值能量特征的差异,提出了一种基于故障相暂态电流小波能量特征的故障选线新方法。首先,对故障相进行有效辨识,提取出各线路故障相的暂态电流信号,经消噪处理后得到纯故障分量。然后借助小波包的分解与重构得到各相小波能量特征;由于单相接地故障时故障线路故障相能量特征远大于非故障线路,从而可以通过比较各相能量特征的大小来确定故障线路。该方法物理机理明确,不受运行方式、线路成分、故障条件等因素影响,而且能够有效克服系统噪音、不对称分量的干扰。选线裕度大,可靠性高,有望应用于实际当中。