基于支持向量机的管理信息系统故障识别模型研究

管理信息系统故障影响着企业信息工程的开展。及时识别故障,能够为企业争取更多时间处理故障。因此,管理信息系统故障识别有着重要的研究意义和实践意义。基于支持向量机,构建管理信息系统故障识别模型,通过把样本应用于该模型,结果表明该模型具有较好的准确性,能有效识别管理信息系统故障。     

基于稀疏编码和极限学习机的设备故障诊断方法及应用

针对复杂工况与海量监测数据下滚动轴承难以进行故障诊断的问题,提出了一种基于稀疏编码和极限学习机（ELM）的滚动轴承故障模式识别方法。首先,利用K-SVD方法对海量数据样本学习得到自适应原子字典,在此基础上使用正交匹配追踪（OMP）算法进行稀疏编码;然后,构建基于数据驱动的ELM网络模型,将稀疏编码输入ELM模型;最后,通过模型输出实现了对滚动轴承的不同故障类型及不同故障程度的智能识别。通过实际实验分析,验证了所提方法的有效性,与传统的时、频域指标和主成分分析（PCA）为输入的ELM模型进行了对比,并对比分析了BP神经网络、支持向量机（SVM）模型,证实了所提方法具有更好的诊断正确率和可靠性。     

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。     

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。     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

灵敏度分析和SVM诊断模拟电路故障的方法

针对低可测性模拟电路中存在的模糊组问题,提出了一种模拟电路故障诊断的新方法。该方法首先计算被测电路网络传递函数零极点的灵敏度,利用零极点灵敏度提供的信息来对被测电路进行模糊组的划分,组成可诊断的元件集,并引入了支持向量机完成对故障的分类识别。零极点的灵敏度分析确定了被测电路可诊断的元件组,支持向量机结构简单、泛化能力强,实验结果证明了基于灵敏度分析和支持向量模拟电路故障诊断方法的有效性,故障诊断率大于99%。     

PCA支持向量机回归集成股市预测应用

利用主成分分析(PCA)方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达。以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比。结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度。     

复杂工况下热油管道泄漏识别与定位方法研究

针对复杂工况下热原油管道泄漏难以准确识别的难题,提出采用基于多元支持向量机的管道泄漏诊断方法,并建立了识别模型,可以在小样本情形下完成模型的训练工作,实现多种工况下对压力波动信号的分类识别,从而提高评判泄漏的有效性和准确性。针对热油管道负压波波速受油品及温度等因素影响较大所导致的定位误差,分析了管道沿程轴向温降以修正负压波波速,并采用牛顿-柯特斯积分方法对传统泄漏定位公式进行了改进。现场实验表明,基于多元支持向量机的检测方法能有效地识别管道运行异常状态,改进的漏点定位算法使得定位精度从原来的2.5%提高到1.0%。     

基于SVM的综合实力评估系统研究

简略介绍了支持向量机的基本思想 ,研究其在综合评价中的应用。分析了对大学进行实力评估的过程 ,建立基于SVM的评价系统。比较新评价系统和采用其他方法如PCA (PrincipalComponentAnalysis主元分析 ) ,Fisher等建立的评价系统所分别取得的拟合效果。结果表明 :采用支持向量机设计的评价系统思路清晰 ,操作简单并且能取得更为理想的评估结果。     

遗传算法优化的SVM模拟电路故障诊断方法

提出了一种利用遗传算法优化的SVM多分类决策树(GADT-SVM)实现模拟电路故障诊断的新方法。介绍了GADT-SVM的设计思想和算法原理;利用传递函数对模拟电路进行建模,并用小波分解提取电路冲激响应的能量分布作为故障特征;使用GADT-SVM对故障特征样本进行分类实现故障诊断。仿真结果表明,与未经优化的DAG-SVM和DT-SVM故障诊断方法相比,该方法可以减小诊断"误差积累"的影响,具有更好的误差控制能力。     

基于BP神经网络的模拟电路故障诊断研究

本文介绍BP神经网络在模拟电路故障诊断中的应用,对电路中的软故障进行诊断。对选定的待测电路在元件存在容差的条件下,仿真验证了BP神经网络应用于模拟电路故障诊断的可行性。     

模拟电路故障诊断的神经网络方法

提出了一种采用改进的ＢＰ快速算法实现模拟电路软故障诊断的方法。文中对构造神经网络交流故障字典的过程给出了详细说明，特别是隐层节点数确定，测试信号频率的优选及ＭＡＴＬＡＢ神经网络工具箱的使用。实例表明，人工神经网络技术可应用于有容差模拟电路的故障诊断。     

基于融合熵特征的辐射源信号识别

针对相近雷达辐射源信号难以识别的问题,一种新的雷达辐射源信号识别方法被提出.该方法基于小波包分解,用主成分分析法融合含有信号类别特性的小波包重构系数特征,并将融合特征的能量熵和概率熵构成特征向量,基于支持向量机实现信号的分类识别.在较大信噪比(SNR)范围内,使用该方法能获得满意的正确识别率,当SNR为5 dB时,十分近似的线性调频信号正确识别率达到了91%,实验结果证实了该方法的有效性.     

浅谈基于物联网技术的数控机床故障诊断

对物联网的概念,数控机床常见故障分类、检测方法及其局限性进行了概述。介绍了基于物联网技术的数控机床故障诊断原理技能实现远程、预警式故障诊断的传感器类型。基于物联网技术的数控机床故障诊断可大大减小维修人员的工作量,提高数控机床的可靠性和使用寿命。     

容差模拟电路诊断中故障隔离的几何方法

针对传统故障字典法的3个主要缺陷,建立了以节点电压增量比作为特征向量的故障字典,该字典能对电路中每个元件的硬故障和软故障作出诊断,具有测前模拟次数少、占用存储空间小、诊断范围宽的特点。针对由于元件参数容差导致故障定位难度大的问题,阐述了如何将几何学中的一些观点应用到故障诊断中,并建立了3个故障隔离的几何模型;最后通过实例验证了该诊断理论和方法的正确性和有效性。该方法适用于线性模拟电路。     

基于"透明"神经网络的模拟电路故障诊断

本文通过分析BP神经网络用于模拟电路故障诊断时的缺点,提出了一种新的神经网络．称为“透明”神经网络(TANN)．然后将TANN用于模拟电路子网络级故障诊断．并通过实例验证了该诊断方法的有效性．     

项目网络组织协同治理绩效影响因素分析

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机（PSO SVM）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群（PSO）算法寻找支持向量机（SVM）最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明：采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数