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。     

液压系统故障信号的小波包检测方法

提出了一种利用小波包检测调速阀故障信号的方法。通过小波的小波包分析将信号按一定的尺度进行划分,不同频率的信号被划分到不同的频段中。由经过预处理的信号经过小波包分解与重构后,可以得到小波包重构图,由图中可以获得故障产生的时间点和频率,再对故障的严重程度进行了量化分析。实验结果表明用小波包理论进行故障检测是可行的。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法.在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点.     

基于小波包 核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题,课题团队提出了一种基于小波包 核偏最小二乘（wavelet packet and kernel partial least squares method,WP KPLS）的故障检测方法。首先对采集到的信号进行小波包分解,将振动信号分解到独立的频段,提取不同频段的能量谱,并构建反映频谱状态改变的能量谱特征向量;再对得到的能量谱特征向量进行核偏最小二乘分析,建立故障检测模型,利用T2及SPE统计量来检测故障是否发生。实验结果表明：该方法能够较为准确地检测到轴承的内外圈故障,证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点,为解决故障检测中的非线性数据处理问题提供了一种新方法。     

a尺度多重双正交小波包的分解与重构算法(英文)

介绍了构造a尺度多重双正交小波包的方法。它在应用上灵活性很强。按此法可构造多种不同的双正交小波包。本文的重点是给出了用此小波包进行分解与重构的算法。     

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.     

基于小波支持向量机的电力系统短期负荷预测

根据相空间延迟坐标重构理论，基于支持向量机强大的非线性映射能力和小波核函数的局部分析和特征提取能力，提出了一种基于小波支持向量机的电力系统短期负荷预测方法，并利用该方法对嵌入维数与预测性能的关系进行了探讨。仿真结果表明，该预测方法能精确地预测电力负荷，而且在电力负荷序列的最佳嵌入维数未知时也能取得比较好的预测效果，这一结论预示着小波支持向量机是一种预测电力系统短期负荷的有效方法。     

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。     

一种基于小波变换特征提取的集成学习算法

将不同训练数据子集和不同特征子集相结合,提出了一种基于小波变换特征提取的集成学习算法Wavelet-Forests.先随机划分特征集,用小波变换提取特征子集的特征,再用小波系数重构特征集训练基分类器.使用公认的WEKA平台验证了Wavelet-Forests算法的性能,与经典算法Bagging,AdaBoost和Random Forest相比,本文所提算法具有良好的泛化能力.     

基于近似熵和平方解调分析的滚动轴承故障特征提取

提出了一种基于近似熵和平方解调分析的故障特征提取新方法。这种方法的核心是首先使用平方解调分析把调制的振动信号进行解调,然后计算并比较这些经平方解调后的信号的近似熵,从而实现故障的特征提取。研究表明,用这种方法提取信号特征,可以容易地将正常滚动轴承、内圈故障、外圈故障和滚子故障的信号区分。     

多类支持向量机的DDoS攻击检测的方法

为了利用SVM准确的检测DDoS,需要找到区分正常流和攻击流的特征向量,根据DDoS攻击的特点,提出了独立于流量的相对值特征向量。为了在指示攻击存在的同时,也指示攻击强度,多类支持向量机(MCSVM)被引入到DDoS检测中。实验表明,RLT特征与MCSVM相结合,可以有效检测到不同类型的DDoS攻击,并且能准确地指示攻击强度,优于目前已有的检测方法。使用RLT特征进行DDoS检测,比使用单一攻击特征进行识别的方法,包含更多的攻击信息,可以得到较高的检测精度。     

基于多尺度特征和支持向量机的股市趋势预测

应用支持向量机方法对股票市场趋势性变动进行预测是金融市场行为研究领域里一个重要的研究课题。为了提高股市趋势预测的准确率,现有文献中基本将研究重点集中在改善支持向量机参数上,而没有对输入数据的特征进行深入研究。股票市场时序数据是不同时间尺度因素非线性作用的结果,因此具有本质的多尺度特性。据此构建了股票市场多尺度时序特征趋势预测方法,该方法首先基于小波多分辨分析对股市时序数据进行多尺度分解,然后提取了股票市场数据的记忆性和趋势性特征,最后应用支持向量机对股票市场趋势进行预测,预测结果表明该方法提高了股市趋势预测的准确率。     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数 ,得到小波神经网络。通过小波的去噪和神经网络的自学习功能 ,获取系统输入输出的非线性动力学特性 ,进而实时计算出残差并进行逻辑判决 ,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真 ,结果表明了该方法的有效性     

基于小波包变换相关性的信号降噪方法及齿轮故障诊断

介绍了小波包变换的基本思想，将新型小波包变换滤波器与信号重采样结合，提出了一种新的小波包降噪方法，研究了该方法的降噪效果，同时比较小波包直接降噪和小波包重构滤波器的降噪效果。将该方法用于齿轮箱的故障诊断，结果表明，该方法能够有效识别齿轮箱中的齿轮典型故障。     

基于小波分析与支持向量机的人民币汇率预测

利用支持向量机方法对汇率进行预测是金融市场研究领域一个重要的研究课题.结合小波变换与支持向量回归,提出一个三阶段时间序列预测模型.先以离散小波框架将汇率序列分解成不同尺度的多个子序列,揭示蕴含在预测变量内的信息,并对各个子序列进行时间序列分析,再以支持向量回归为工具,以这些子序列为预测变量建构支持向量回归模型,最后将各个序列的预测结果进行重构,得到预测结果.实证结果显示,该模型的预测效果较之BP神经网络与单纯的AR-SVM模型更优,证明基于小波分析与支持向量机相结合的预测模型可以为人民币兑美元汇率提供比较准确的预测.     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

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。     

基于小波多分辨率系数模值的并发故障检测方法

提出了利用小波分析技术进行信号奇异性检测的多重并发故障检测方法。利用小波多尺度分解技术,将信号进行多尺度的小波分解,得到不同尺度下的信号高频分量的小波系数模值,并根据奇变信号和噪声信号小波系数模值的差异,采用软阈值去噪法,对其高频分量小波系数进行去噪处理,获取不同尺度上突变信号的小波系数模值,实现对故障的检测,并可根据不同尺度上小波系数模值的对应关系,实现对多重并发故障的区分。对电网信号分析的仿真结果证实了该方法的正确性和可行性。     

基于组稀疏多核统计学习的财务困境预测

上市公司财务风险预警在财务管理中一直都扮演着关键的角色。来自财务数据的特征是上市公司的各种财务指标,代表着上市公司不同方面的财务现状。这些异构特征给财务风险预警带来了巨大的挑战。当前多核学习方法已经显示出了优于支持向量机方法的预测性能。首先,一个利用预定义的基核进行无监督学习。在此过程中,一个稀疏性约束条件被引入,用于限制基核的线性组合,进而改进学习性能和预测模型的可解译性。通过无监督学习可以得到一个"最优"的线性组合核。最终,这个"最优"组合核用于支持向量机中,进而得到具备稀疏学习能力的多核预测机。通过利用214对ST和非ST公司财务数据进行了仿真实验。实验结果证实,稀疏多核学习方法在全部数据集和不同产业数据集上均优于现有的主流预测方法。     

基于支持向量机集成学习方法的高新技术上市公司绩效预测研究

本文以创业板高新技术企业为对象,采集样本企业2011-—2014年的年报数据,通过构建支持向量机预测模型和支持向量机集成学习方法预测模型,预测样本企业的绩效。研究结果显示:两种预测模型均能有效预测样本企业的绩效,支持向量机集成学习方法预测模型的准确度更高,样本数据越接近预测年度,预测的准确度越高。