基于特征优选模拟电路故障诊断方法

传统基于最小二乘支持向量机模拟电路故障诊断方法都是使用单一的特征向量组合训练支持向量机所有二分类器,然而实际上每个二分类器对不同的特征向量组合有不同的分类精度。因此,提出了基于马氏距离的粒子群优化算法,为最小二乘支持向量机所有二分类器优选出近最优的特征向量组合。然后,将近最优特征向量组合用于训练和测试该支持向量机。最后把该方法应用于模拟电路早期故障诊断,实验结果表明,基于近最优特征向量组合的诊断精度要高于单一特征向量组合的诊断精度。     

基于主元分析和支持向量机的电路故障诊断模型

综合主元分析和支持向量机的优点,提出了一种基于主元分析和支持向量机的故障诊断模型.通过主元分析提取故障特征,然后利用支持向量机进行故障模式的分类,实现对模拟电路不同故障的识别.实验结果表明,该模型能够准确地实现故障的诊断,具有好的识别能力.     

基于SVM的多类模拟调制方式识别算法

提出了一种基于支持向量机的多类模拟调制方式识别算法。该算法通过分析模拟调制信号的特点,提取有效的特征向量以区分不同的调制方式,并基于支持向量机和判决树分类思想,将特征向量映射到高维空间中加以分类。仿真结果表明:在具有加性带限高斯噪声的环境下,信噪比不小于10dB时,识别正确率大于90%。     

一种新的支持向量机增量算法

分析了增量学习过程中支持向量和非支持向量的转化情况。在此基础上提出一种误分点回溯SVM增量算法,该算法先找出新增样本中被误分的样本,然后在原样本集寻找距误分点最近的样本作为训练集的一部分,重新构建分类器,这样能有效保留样本的分类信息。实验结果表明:该算法比传统的支持向量机增量算法有更高的分类精度。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

基于MATLAB的一对一M-SVM算法实现

简述了多分类支持向量机（Multi-class Support Vector Machine，M-SVM）的原理及算法。在此基础上，利用MATLAB实现了一对一多分类支持向量机的多分类算法，利用MATLAB的矩阵处理方式解决了算法中投票机制。该算法避免了MATLAB中循环语句的使用，提高了算法效率，缩短了运行时间。     

最小二乘SVM的CR认知引擎设计

认知无线电(CR)的核心是认知引擎设计。为适合变化的无线环境状况,提出了一种基于最小二乘支持向量机的认知无线电认知引擎设计方法,该引擎根据经验知识,动态重配置无线环境参数。在802.11a仿真平台上模拟认知无线电通信系统模型,通过样本值训练支持向量机的分类、回归模型,并利用该模型学习信道特征,建立相应的认知引擎。在对感知信息进行学习前提下,实现满足用户需求的无线通信参数配置功能。仿真结果表明,该认知引擎能有效地实现认知无线电学习重构功能。     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

基于小波包分析与支持向量机的斜拉索损伤识别

斜拉索作为斜拉桥的主要受力构件,其损伤将直接威胁斜拉桥的运营安全。现提出一种基于小波包分析与支持向量机相结合的斜拉索损伤识别新方法。利用小波包理论对索梁锚固点的加速度时程响应进行小波包分解,构造小波包能量变化率指标,以该指标作为支持向量机的输入参数,定义斜拉索的刚度折减为损伤因子表示斜拉索损伤程度作为支持向量机的输出,通过支持向量机损伤识别模型对斜拉索损伤进行识别定位,并以实验室独塔斜拉桥模型进行了数值验证。结果表明:该方法能较好地识别斜拉索损伤,且受输入向量位置及个数影响较小,随着损伤程度的增加,平均预测误差逐渐减小。本方法对噪声污染具有一定的鲁棒性。     

一种顾及用户朝向的PSO-LSSVM指纹定位算法

为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。