改进粒子群优化神经网络的高压断路器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(MPSO)算法和改进BP(MBP)算法,建立基于MPSO-MBP混合算法的高压断路器神经网络故障诊断模型.通过训练样本和测试样本的仿真对比分析,该方法能够实现高压断路器不同故障的有效诊断,提高高压断路器故障模式的识别能力,故障诊断准确率高、速度快.     

基于肤色与 Haar-like 扩展集的驾驶员人脸检测算法

针对疲劳驾驶预警系统中人脸检测准确率低、误检率高的问题,提出一种基于肤色与 Haar-like 扩展集的驾驶员人脸检测算法。首先根据驾驶员人脸肤色在 YCbCr色彩空间的聚类性、脸部特征及驾驶环境,筛选人脸肤色作为候选区|然后在传统基于 Haar-like 特征的 AdaBoost 算法中,加入两组新的符合人脸特征分布的Haar-like 特征进行驾驶员人脸检测。以 MIT 人脸库和拍摄的驾驶员人脸图像作为训练与检测样本,与传统AdaBoost算法进行对比实验。结果表明,该算法对正面人脸和侧面人脸（倾斜角度小于 45°）检测准确率分别提高 1.25%和 5.00%,误检率降低 2.81%和 4.50%,人脸检测准确率得到较大提高。     

不平衡古漆器漆膜数据分类研究

针对古漆器漆膜数据类间不平衡、样本规模小,以及传统机器学习算法分类效果较差的问题,提出一种改进SMOTE的过采样方法改变漆器漆膜数据样本分布,使其达到平衡。该方法通过比较各类样本间的欧式距离,删除了人工样本中的噪声数据,然后运用集成学习中的随机森林算法进行分类,提高了少数类的分类准确率。UCI数据集上的实验结果表明,改进的过采样方法性能更优,评价指标F1-score与AUC值分别得到2%、5%以上的提升。结合改进的过采样方法与机器学习算法进行对比实验,结果证明,随机森林算法精度更高,在对古漆器年代的判别中,随机森林算法的F1-score与AUC值高达87.76%、89.34%。     

基于灰色关联分析与 XGBoost 模型的销售预测研究

为提高销售预测准确率,提出一种基于改进 XGBoost 的销售预测方法。首先对销售量影响因素进行特征分析,通过改进灰色关联分析方法对训练数据进行降维处理|然后采用基于 XGBoost 算法的销售预测方法对降维后的特征数据进行监督训练|最后使用训练后的模型对销售情况进行预测评估。实验结果表明,基于灰色关联分析和 XGBoost 模型的销售预测方法正确率达到 95%以上,比传统的经典预测方法提高 35%以上,比 XG?Boost 预测方法提高 19.6%。基于灰色关联分析与 XGBoost 模型的销售预测方法不仅能有效处理海量数据,提高销售预测准确率,还能为制造企业实现产品精准投放提供决策依据。     

基于音频特征的乐器分类研究

针对现有乐器分类研究中存在的使用特征量过多、分类准确率有待提高等问题,提出了一种特征量少、准确度高的乐器分类方法。基于Relief算法的主成分特征提取方法,计算出各特征量的权重,设计3层的神经网络分类器。根据所提算法和分类器,使用8项音频特征与传统的24项MFCC特征,分别对中西方9种乐器进行了分类实验,并分别使用权重最高的4、5、6项特征进行分类实验。结果表明,所提出的音频特征相比于传统MFCC特征对乐器分类的平均准确率更高,达到94.84%,且特征量更少,说明基于Relief算法的主成分特征提取方法能有效减小低相关性特征对分类准确率的影响。     

基于深度森林的脑电情绪识别研究

为了改善传统脑电情绪识别方法需要对脑电信号进行深入了解,且需要人工提取相关特征的缺点,基于深度森林的表征学习能力对脑电样本的时域与频域数据进行自动特征提取,并融合32通道脑电信号的时域特征向量和频域特征向量,通过级联森林对特征作进一步学习。实验结果表明,该方法对效价二分类预测的准确率达到68.4%,查准率达到66.3%,查全率达到89.9%,F1分数达到76.3%;对唤醒度二分类预测的准确率达到68.2%,查准率达到65.8%,查全率达到91.2%,F1分数达到76.4%。通过与DEAP数据集使用EEG信号给出的二分类实验结果进行对比,基于深度森林的脑电情绪识别方法对未知样本的识别准确率高于DEAP的结果。     

基于Stacking集成学习的肺癌患者存活性预测模型研究

为提高肺癌患者存活性预测的准确率,提出一种基于Stacking集成学习的肺癌患者存活性预测模型.先对数据集进行预处理、特征选择、变量转换等,然后以XGBoost(eXtreme Gradient Boosting)、SVM(Support Vector Machine)和LR(Logistic Regression)3种算法为基学习器,以朴素贝叶斯为元学习器构造模型,再运用Grid Search网格搜索方法优化超参数,并利用交叉验证方法对SEER公开的肺癌数据集进行仿真实验.研究结果表明,该模型的预测准确率达85%,比单一模型高10%.该模型在肺癌患者存活性预测上有着更好的准确性和解释性,可以很好地为肺癌患者预后提供决策支持,以弥补经验的不足.     

Stacking集成学习在销售预测中的应用

销售预测在公司的生产和管理中尤为重要,影响着公司的计划、生产、物流、销售等各方面.为突破单一模型在销售预测中的局限性,提出一种基于Stacking集成算法的销售预测组合模型.首先结合历史销售数据构造新特征,再利用相关性分析进行特征选择,提高模型性能和可解释性,最后以随机森林、BP神经网络、Prophet算法为基学习器,...     

基于XGBoost算法模型的金融客户信用评估研究

针对银行客户信用评估模型不健全不完善等问题,在对比随机森林（RF）、GBDT和XGBoost三种集成算法基础上,提出基于XGBoost算法的金融客户信用评估模型。从知名的UCI数据库中选取德国某银行客户信用数据集,在对数据进行缺失值、标准化等预处理后,分别对随机森林（RF）、GBDT算法和XGBoost三种集成算法建立个人信用评估模型,然后依据计算得到的相关多元评价指标对个人信用评估进行对比研究。实证结果表明,建立在XGBoost集成算法上的个人信用评估模型性能最优,在准确率指标上比随机森林（RF）高出6%,比GBDT算法高0.8%。     

基于集成学习模型的糖尿病患病风险预测研究

为提高早期糖尿病患病风险的预测准确性,基于集成学习算法建立糖尿病患病风险预测模型.分别基于集成学习算法随机森林、GBDT和XGBoost建立糖尿病预测模型,并比较以上3种方法与单一分类器支持向量机和BP神经网络的分类预测性能.在UCI数据库的早期糖尿病数据集上进行验证试验,使用准确率、精确率、召回率、F1分数和AUC ...     

液压系统常见故障分析与诊断方法

液压系统的工作一般是可靠的,但由于某些原因产生的一些故障具有隐蔽性和随机性等特点,使得利用单一的方法对故障的诊断有一定困难．运用综合的诊断方法,提高了故障诊断的效率和准确性．     

Research on Genetic Algorithm Based Knowledge Auto－Acquisition for Fault Diagnosi

ＲｅｓｅａｒｃｈｏｎＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍＢａｓｅｄＫｎｏｗｌｅｄｇｅＡｕｔｏ－ＡｃｑｕｉｓｉｔｉｏｎｆｏｒＦａｕｌｔＤｉａｇｎｏｓｉｓＺｈａｎｇＸｕｅｊｉａｎｇ（张雪江）ＺｈｕＸｉａｎｇｙａｎｇ（朱向阳）ＺｈｏｎｇＢｉｎｇｌｉｎ（钟秉林...     

基于群灰色关联度分析方法的电力变压器绝缘故障诊断

基于变压器油中溶解气体分析,提出了一种基于群灰色关联度分析的变压器绝缘故障诊断新方法.首先根据故障类型与灰色参考序列构造,选择变压器典型故障样本构造多组参考序列,这些参考序列组构成一个灰色参考序列群.其次根据给出的新的关联系数计算方法,计算个体关联系数和关联度.然后根据给出的群灰色关联度计算方法,计算群灰色关联度和构造群灰色关联度矩阵.最后根据关联序识别变压器绝缘故障诊断.通过大量变压器绝缘故障诊断实例分析,所提方法诊断准确性与可靠性优于三比值法和传统的灰色关联分析方法,具有较好的分类诊断能力和可靠性.     

基于神经网络的模拟电路故障诊断研究

对BP型ANN网络用于模拟电路故障诊断的特点进行了介绍,探讨了利用遗传算法确定BP型ANN网络参数的方法,并给出了遗传算法与BP型ANN相结合实现模拟电路故障诊断的应用.实践表明,该方法的诊断精度、诊断速度以及建立诊断模型的自动化程度都有了较大的提高．     

基于神经网络的风力机变频器故障诊断方法

探讨了自组织特征映射（SOM）人工神经网络在风力机变频器故障诊断中的应用,对风力机变频器故障信息提取、故障特征数据、故障征兆向量进行了分析,采用Matlab神经网络工具箱对风力机变频器故障类型判断和故障位置确定进行仿真实验,实验结果表明,利用该方法进行风力发电机电力电子装置故障诊断能取得较好的效果,具有一定的工程应用价值。     

基于INS/BD-2组合的无人机导航算法研究

无人机在军事、民用领域发挥着越来越重要的作用,提高无人机导航系统的精度有十分重要的意义.为达到提高无人机导航精度的目的,将惯性导航系统（INS）与中国北斗二号（BD-2）相融合,提出了INS/BD-2组合的无人机导航策略.经过分析,建立了基于间接法的系统模型,其测量方程为非线性方程.在组合导航算法上采用了处理非线性问题常用的粒子滤波算法对组合导航系统进行解算,并通过MATLAB软件对算法进行了仿真分析,仿真结果证明,与传统的EKF算法相比,该算法可提高组合导航系统的导航精度.     

基于鲸鱼优化算法的配电网故障区段定位

为提高配电网络中故障区段定位的准确性和高效性,基于馈线终端单元的配电网区段定位的研究,提出了一种在含分布式电源的配电网中用鲸鱼优化算法实现故障区段定位的方法。通过MATLAB对支路矩阵、电源接入情况进行编程,创建含多电源的IEEE33节点的配电网模型,完成配电网故障信息编码方式、开关函数和适应度函数的构造。对发生单点故障、多点故障,以及存在信息畸变的情况下发生故障的定位结果分析,结果表明,提出的鲸鱼算法能实现准确定位,其收敛性、准确性和高效性均优于传统粒子群算法、遗传算法以及最近的蝠鲼觅食算法。     

基于主成分的稀疏贝叶斯信用分类研究

针对传统信用评价方法分类精度较低、数据集属性变量间存在相关性等问题,提出基于主成分分析的稀疏贝叶斯学习（PCA-SBL）算法。首先对数据集特征变量进行主成分分析,使降维后的变量无相关性|其次,对主成分分析后的数据进行稀疏贝叶斯分类|最后将 PCA-SBL 分类方法分类精度与传统分类方法精度进行比较。分析发现,在 German Credit Data 和 Australian Credit Data 上,与传统 KNN、朴素贝叶斯、SVM、随机森林、决策树相比,改进的 SBL 算法分类精度平均提高了 5.26%、4.65%、2.11%、2.125%、4.66%,与稀疏贝叶斯学习算法（SBL）相比,平均提高 0.965%,从而证明 PCA-SBL 算法具有更高的分类效果。     

基于FP-Growth的电力系统故障预测方法

为了提高电力系统中故障预测效率及便捷性,提出一种基于FP-Growth算法的电力系统故障预测方法,无需先验知识及人工标注,便可从海量历史日志数据中快速提取出故障信息模式,并基于实时日志数据对未来可能发送的系统故障进行预测。该方法首先根据电力系统不同类型的日志特征对原始数据进行预处理,然后基于FP-Growth算法挖掘日志中与故障事件相关的关联规则,并使用关联规则进行故障匹配,从而达到预测效果。算法经过真实电力系统日志数据集测试,结果表明该故障预测方法平均准确率为89.5%,平均召回率为79.8%,且执行效率较高,节省了业务人员50%以上的时间。     

基于优化AdaBoost-SVM的模拟电路故障诊断

为提高含容参元件模拟电路软故障的诊断率,并考虑到单分类器分类精度的提升已达到了一个瓶颈,提出一种优化AdaBoost-SVM算法并将其应用于模拟电路故障诊断中。以OrCAD/PSpice软件中对电路进行Monte-Carlo分析的数据为基础,选取特征时,采用对时频信号中易直接测量的物理量归一化后组合的方式。实验结果表明,通过选取的组合特征向量,利用优化的AdaBoost-SVM算法,构造出具有差异度的SVM分类器并集成后,能够自适应地提升单SVM分类器性能,表现出更好的分类精度与泛化性能,能较好地满足容差模拟电路软故障诊断要求。