基于核熵成分分析的工业过程故障诊断

针对实际工业过程数据往往具有高斯与非高斯共存、非线性的特点,及传统核主成分分析在特征提取时仅考虑变量方差最大化导致信息丢失,并且处理非高斯数据能力欠佳,因此传统核主成分在故障诊断分析中难以取得令人满意的结果的问题,提出一种核熵成分分析(kernel entropy component analysis, KECA)、余弦相似度K均值(K-means of cosine similarity, CSK)的故障诊断方法。首先将数据投影至高维空间,KECA方法根据Renyi熵大小选取投影方向,对数据进行降维;然后,基于KECA能够以角结构方式捕捉数据内部的集群结构信息,设计一种余弦相似度的K均值聚类器,对数据进行聚类并建立故障诊断模型;最后,将KECA-CSK方法应用于田纳西-伊斯曼化工过程进行仿真实验。结果表明：与核主成分聚类分析相比,KECA-CSK方法具有更好的诊断结果,验证了所提方法的优越性。     

支持向量机在船舶柴油机废气涡轮增压器故障诊断中的应用

为提高船舶柴油机废气涡轮增压器的可靠性,确保人员及船舶设备的安全,基于支持向量机(Support Vector Machine,SVM)相关理论,对船舶柴油机废气涡轮增压器进行智能故障诊断.根据SVM智能故障诊断理论,分析废气涡轮增压器常见故障;研究SVM在船舶柴油机增压器故障诊断中的应用.仿真实验表明:SVM在柴油机废气涡轮增压器故障诊断中具有很出色的拟合能力;运用SVM理论对柴油机增压器故障进行智能诊断是可行的.     

布谷鸟搜索算法优化支持向量机的停车位预测

针对我国汽车保有量增长迅速,停车位供需矛盾突出的问题,提出了一种布谷鸟搜索算法和支持向量机(cuckoo search-support vector machine,CS-SVM)的组合停车位预测方法.通过支持向量机对样本数据进行建模,并采用布谷鸟搜索算法优化SVM中的2个参数,惩罚系数C和核函数宽度σ.通过案例仿真对...     

EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断

针对船用往复式二级空压机振动信号非线性、非平稳性问题,利用振动信号辨识故障,综合集成经验模态分解（ensemble empirical mode decomposition, EEMD）和支持向量机（support vector machine, SVM）的信号处理优势,提出一种将EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断方法。模拟正常状态和4种故障状态进行故障诊断实验。采集的振动信号用小波降噪法进行处理。为模拟船用空压机实际工作环境,在EEMD处理过程中加入加性高斯白噪声（信噪比7.5 dB）。以相关性为评价指标选取各状态下本征模态函数（intrinsic mode function, IMF）,并以每个IMF的能量熵和奇异值熵作为特征值,采用SVM分类器识别故障。实验表明：与基于经验模态分解（empirical mode decomposition, EMD）和SVM等故障诊断方法相比,该方法能更有效地识别故障。该方法在实船应用中获得较好的诊断效果,可为现代船舶智能故障诊断研究提供参考。     

基于熵的支持矩阵机

针对支持向量机(Support Vector Machine,SVM)无法处理不平衡和矩阵模式等问题,以支持矩阵机（Support Matrix Machine,SMM）为基础,提出一个基于熵的SMM （Entropy based SMM, ESMM）来解决不平衡数据集.ESMM的贡献是：(1)提出了一个新的基于熵的模糊隶属度评价方法从而增强确定模式的重要性;(2)保证了正类模式的重要性并且得到一个更加灵活的决策面.在真实世界的不平衡数据集和矩阵模式上的实验表明,ESMM比那些与之相比较的学习机有更好的性能.     

基于EMD和Hilbert变换的脑磁信号特征提取和分类

为研究通过脑机接口(Brain-Computer Interface,BCI)处理非线性、非稳定性信号问题,针对基于脑磁信号(magnetoencephalography,MEG)的BCI,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和Hilbert变换的MEG特征提取和分类方法.该方法首先对MEG数据进行预处理;其次用EMD和Hilbert变换方法提取特征向量;然后用主成分分析法对提取到的特征向量进行降维处理;最后把处理过的特征向量作为支持向量机(Support Vector Machine,SVM)的一个输入向量实现MEG的分类.使用该方法对第4届国际BCI竞赛提供的MEG数据进行分类,实验结果表明可以获得较高的分类准确率.     

基于PCA及SVM的图像信息隐藏检测*

本文提出了一种基于主成分分析（PCA, principal components analysis）及支持向量机（SVM, support vector machines）的信息隐藏盲检测方法。该方法根据信息隐藏时对载体图像引入噪声的特点,通过分析图像块的主成分,计算出图像的特征向量。通过对原始样本图像和藏密样本图像特征向量的学习和训练,得到SVM检测模型,可用于信息隐藏的盲检测。实验结果表明,该方法能够有效地检测出目前常用的信息隐藏方法。     

综合视觉特征度量与SVM的遥感图像检索方法

基于支持向量机(SVM)的相关反馈算法在反馈过程中只利用SVM的分类器,反馈结果排序会出现一定错误, 提出一种改进的相关反馈策略,将图像的视觉特征度量函数和SVM分类器函数进行线性加权,作为相关反馈中的相似性度量准则. 实验表明,改进策略能够优化遥感图像检索排序结果,提高检索的精度.     

基于SVM预测模型的汽车电子市场价值估计

为估计汽车电子市场的潜在价值,引入一种基于改进优化核函数参数支持向量机(Support Vector Machine,SVM)的中国汽车月产量预测模型.SVM采用RBF核函数和ε-SVR回归方法;参数选择归结为使推广能力的估计值最小、对偶问题最大化的最优化问题.根据2005—2009年中国汽车月产量数据,预测2010年前3个月的中国汽车月产量,并估计中国轻型汽车电子市场的潜在价值.结果表明:该模型能够提高短期预测性能,可为汽车公司的市场决策提供有价值的参考.     

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.     

基于一种新的核聚类方法生成RBF核的支持向量机

为弥补具有径向基函数(radial basis function, RBF)核的支持向量机(support vector machine, SVM)的不足,即如何获得合适的RBF核并且包含更多的数据信息,提出一个关于核聚类的有效方法。该方法通过关于核数目、中心、宽度的一些公式来生成核。这个生成方法可以容易、合理、优化地获得核。在美国邮政手写数字数据集(记为USPS)和字母识别数据集(记为Letter)上的试验可以验证,具有这些新生成的RBF核的SVM拥有更少更合理的核以及更高的分类性能。通过这个新提出的方法,可以处理更多的大规模分类问题。     

基于ＥＭ ＰＣＡ和级联分类器的人脸检测

为了提高人脸检测的速度及鲁棒性,提出了一种基于级联分类器和期望最大、主成分分析（ＥＭ ＰＣＡ）的人脸检测方法．该方法在训练阶段利用不同分辨率的训练样本来训练２个ｆｉｓｈｅｒ线性分类器,再利用ＥＭ ＰＣＡ提取特征来训练非线性支持向量机（ＳＶＭ）;在检测阶段,首先通过２个ｆｉｓｈｅｒ线性分类器快速过滤掉大量的背景区域,再利用非线性支持向量机对余下的候选区域进行进一步验证,以确认是否为人脸．实验结果证明了该方法的有效性和正确性．     

基于一种新的核聚类方法生成RBF核的支持向量机（英文）

为弥补具有径向基函数(radial basis function,RBF)核的支持向量机(support vector machine,SVM)的不足,即如何获得合适的RBF核并且包含更多的数据信息,提出一个关于核聚类的有效方法。该方法通过关于核数目、中心、宽度的一些公式来生成核。这个生成方法可以容易、合理、优化地获得核。在美国邮政手写数字数据集(记为USPS)和字母识别数据集(记为Letter)上的试验可以验证,具有这些新生成的RBF核的SVM拥有更少更合理的核以及更高的分类性能。通过这个新提出的方法,可以处理更多的大规模分类问题。     

一种基于SVM的网络异常流量检测新方法

提出了一种基于SVM的网络异常流量检测新方法。分析了支持向量机的基本原理,结合网络流量异常检测的特点,讨论了异常检测的特征选择问题;提出了网络流量相关性、包长度统计变量以及异常报文统计等具有代表性的特征参数,描述了数据的预处理方法。试验结果表明,所选特征参数可有效地检测网络流量异常变化,说明基于支持向量机的在网络异常流量检测具有较好的可应用性。     

支持向量机的乘子极大熵方法

对于支持向量机的小样本识别问题,给出了一个近似算法—乘子极大熵算法.首先把支持向量机模型的Wolfe对偶问题转化为极大极小模型,然后利用乘子极大熵算法来求这个极大极小问题的解.支持向量机的乘子极大熵算法是一个集极大熵法和乘子法两者优点于一身的算法,它可以把非光滑的问题变成光滑的,能在一定程度上减少迭代次数,提高计算速度,并且可以避免海森阵病态的问题.对于文中的两个例子,该算法都得到了比较好的实验结果,表明了该算法的有效性.乘子极大熵算法比较适用于小样本的识别问题,特别是医学上的癌前诊断问题的判别.     

基于优化LSSVM的船舶推进永磁电机振动故障诊断

针对船舶推进永磁同步电机运行过程中出现的非平稳性和多分量性的振动故障信号,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各个模态分量与原信号的相对熵值大小去除伪分量,提取最佳信号分量,利于果蝇优化算法动态调整搜索步长,搜寻影响最小二乘支持向量机(Least squares support vector machine,LSSVM)识别精度的超参数的最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别。分析结果表明:基于优化LSSVM的振动故障诊断方法,对于永磁同步电机振动故障类别具有很高的识别率。     

桥吊实时工况统计分析与预测

为准确掌握桥式起重机(简称桥吊)的动态信息,对上海外高桥集装箱桥吊的实时工况进行统计分析与预测.通过分析桥吊起升电机的振动信号和温度信号统计特性,得到振动与温度的关系;通过对信号数据的预处理,建立支持向量机(Support Vector Machine, SVM)训练模型,其中对惩罚参数和核函数参数采用交叉验证的方法进行优化;利用得到的训练模型预测后继的振动信号.与单纯用振动信号或温度信号所建的模型相比,这种振动信号与温度信号相结合的模型对电机振动信号预测的准确性更高.     

基于非线性分类和回归问题中的支持向量机算法

针对回归问题和分类问题的各自特点．提出了一种解决非线性回归问题和分类问题的支持向量机算法．文中采用了核函数思想．把非线性空间的问题转化到线性空间的问题。降低了算法的复杂度．     

一种高精度的短期潮汐预报模型

为提高潮汐预报的精度,提出一种基于支持向量机(Support Vector Machine,SVM)的模块化潮汐实时预报模型. 将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮,分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报, 结合两种方法的输出构造最终的潮汐预报结果. 在对非天文潮的预测中,将SVM与灰色模型相结合,并利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVM的参数进行优化以提高预报精度. 利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度.     

基于麻雀搜索算法和SVM的学生成绩预测研究

为提高学生成绩预测的准确率,提出了基于麻雀搜索算法（SSA）优化支持向量机（SVM）的学生成绩预测模型。首先由SSA优化SVM参数,即通过不断迭代获取全局最优位置确定SVM的惩罚因子和核函数参数;然后利用优化后的SVM分类器对学生成绩进行预测;最后在UCI-Mat数据集上进行评估。实验结果表明：目标属性G3（期末成绩）与前两次的平时成绩（G1和G2）具有很强的关联性;与一般的SVM、BP及随机森林算法相比,SSA-SVM模型能够有效提高学生成绩预测的准确度,准确率可达95%。