噪声背景下的语音情感识别

为有效实现含噪声的语音信号情感类型的识别,提出了一种基于抗噪声的模糊最小二乘支持向量机的语音情感识别新方法．该方法先提取情感语音的韵律特征和音质特征,再利用模糊最小二乘支持向量机构建最优分类超平面,实现生气、高兴、悲伤和惊奇4种情感类型的识别．试验结果表明,与其他多种语音情感识别方法相比,在不同信噪比下,新方法的情感正确识别率较高,抗噪声识别效果较好,表明了其有效性．     

基于蜻蜓算法和支持向量机的变压器故障诊断

电力变压器作为电力系统中变换电压、输送电能、分配电能的重要电力设备,其运行状态直接影响到电网的运行安全。为了提高故障诊断的准确率,提出了一种基于蜻蜓算法(dragonfly algorithm,DA)和支持向量机(support vector machine,SVM)的变压器故障诊断方法。利用蜻蜓算法DA对SVM分类器参数进行优化且以SVM分类预测准确率最大为其适应度函数。变压器故障诊断实例仿真结果分析表明:基于蜻蜓算法的DA-SVM支持向量机的变压器故障诊断与交叉验证法CV-SVM,基于遗传算法的GA-SVM,基于粒子群算法的PSO-SVM相比较,在变压器故障诊断中具有故障诊断准确率高,全局寻优能力强,收敛速度快,且稳定性好的优越性。     

基于IBA-SVM的变压器故障诊断

为提高变压器故障诊断精度,准确映射变压器故障类型和特征气体的非线性关系,提出一种基于改进蝙蝠算法(improved bat algorithm, IBA)优化支持向量机(support vector machine, SVM)的故障诊断方法.在蝙蝠算法(bat algorithm, BA)的基础上引入惯性权重和莱维飞行机制,有效提高了寻找最优SVM惩罚因子和核函数参数的能力.将改进后的蝙蝠算法用于SVM的寻找最优参数并建立故障诊断模型.实验结果表明,采用IBA-SVM模型进行故障诊断与采用固定参数的支持向量机模型和粒子群算法优化支持向量机模型相比故障诊断精确度更高,基于IBA-SVM的故障诊断模型的诊断正确率可达到94%,有效提升了分类准确度.     

模糊系统结构辨识综述

模糊系统辨识是模糊系统建模的主要手段，优化的模糊系统结构是模糊系统辨识的关键．简要回顾了模糊系统结构辨识的研究现状与发展．讨论了模糊系统结构辨识一些常用的方法，如基于模糊聚类、自组织神经模糊网络、支持向量机、核函数、分层模糊系统、遗传算法和小波多分辨率分析等的模糊系统结构辨识．对各种结构辨识方法的特点进行了深入的分析，并对结构辨识未来的发展进行了展望．     

SVM算法及其应用研究

采用将支持向量机-模糊预测控制应用于列车自动控制系统的方法,解决了目前列车自动控制中,启动控制过程平稳性不高的问题.首先给出模糊预测控制的有限样本的预测学习方法.在此基础上,设计了基于支持向量机-模糊预测控制方法,并把该方法应用于列车的启动控制过程中,通过仿真实验验证了改进的有效性.     

基于支持向量机的线性模型鲁棒参数估计

探讨了基于支持向量机的线性系统参数估计问题,利用最小二乘支持向量机来估计自回归滑动平均模型（ARMA）的参数,并在理论上证明了在高斯噪声下比最小二乘估计方法具有更小的均方差;随后利用标准支持向量机来估计ARMA的参数,并利用它的性质从理论上分析了其对大噪声和小噪声的鲁棒性．仿真结果表明支持向量机方法能有效克服样本中的异常点和噪声对参数估计的干扰,比最小二乘估计方法具有更好的鲁棒性．     

机械设备故障智能诊断技术的现状与发展

对机械设备故障智能诊断技术的主要理论和方法进行了归纳和分类,对基于模糊理论的诊断法、基于人工神经网络的诊断法、基于灰色系统理论的诊断法、基于支持向量机的诊断法、集成技术故障诊断法等智能诊断方法的概念、特点、原理、缺陷、主要改进及典型应用进行了介绍,指出将现代技术与多种诊断方法相互融合形成的集成化智能诊断技术是机械系统故障智能诊断技术未来的重要发展趋势。     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

基于随机森林算法的电力系统暂态稳定性评估

利用随机森林算法,通过组合多棵基于随机向量的决策树对电力系统的暂态稳定性分类,提出了一种暂态稳定评估模型.在IEEE 16机和IEEE 50机测试系统进行的仿真验证了该模型对暂态稳定评估的有效性,其评估性能较经典决策树算法、人工神经网络、支持向量机和K最近邻方法均有提高.     

警戒区水上交通冲突数据自动采集系统

基于ECDIS、AIS以及支持向量机,引入交通冲突研究方法,提出船舶定线制警戒区水上交通冲突数据自动采集解决方案.方案利用支持向量机学习训练冲突样本数据,得到判别冲突严重程度SVM分类模型,并将SVM软件包和SVM分类模型嵌入到ECDIS,结合实时AIS数据建立水上交通冲突数据自动采集系统,应用该系统对长江口船舶定线制...     

基于最小二乘支持向量机的乐器音乐分类

提出使用最小二乘支持向量机LS—SVM（Least Squares Support Vector Machines）算法进行乐器音乐分类,从而实现乐器的辩识。在对Ls—sVM理论进行深入探讨的基础上,选择乐器音乐clip作为样本,进行特征提取,提取的特征包括频谱特征,短时自相关系数和MFCC等,然后用最小二乘支持向量机算法进行分类。对古琴、古筝、箜篌和琵琶音乐采取样本进行仿真实验,求得分类准确率和运行时间,同时使用逻辑回归（Logistic Regression）算法进行对比试验,其中最小二乘支持向量机和逻辑回归分类的准确率分别为96．5％和92．5％,且LS—SVM的运行时间比Logist的少。实验结果表明最小二乘支持向量机具有更为优越的分类性能和非线性处理能力,可以推广用于解决其它实际分类问题。     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.     

基于粒子群优化SVM的高速公路交通事件检测

为了更加准确地检测出高速公路上的偶发性交通事件,采用一种粒子群优化SVM参数的高速公路交通事件检测算法,提升事件检测效果。文中运用高速公路实测数据集（L880）,对支持向量机算法进行分类性能测试,并且采用改进的粒子群优化算法对支持向量机的参数进行优化,进而利用测试集数据对该模型进行验证比较,获得满意的检测效果。     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于支持向量机的励磁涌流识别算法

为提高变压器差动保护识别励磁涌流的能力,将支持向量分类机应用于励磁涌流识别,提出了一种基于支持向量分类机的变压器励磁涌流和内部故障识别新方法.基于励磁涌流和内部故障电流的特点,充分考虑电流互感器饱和的特点提取电流互感器二次侧间断角和二次谐波等特征,并对励磁涌流和内部故障电流的识别方法进行了分析;用EMTDC程序进行仿真,生成训练样本和测试样本,对支持向量机进行了训练和测试.结果表明,应用支持向量分类机对励磁涌流和内部故障进行识别,识别率平均可达99%以上.     

基于遗传优化支持向量机的交通事故预测

针对道路交通事故的预测问题,引入基于遗传优化支持向量机算法建立交通事故预测模型。利用遗传算法寻找支持向量机的最优参数组合,并用最优参数构建相应的支持向量机预测模型。仿真计算结果表明,基于遗传算法优化支持向量机模型优于传统的SVM模型,从而可以更有效地对道路交通事故进行预测。     

基于SVM的船舶废气涡轮增压器故障诊断研究

文章首先分析了支持向量机智能诊断的理论,接着介绍了废气涡轮增压器的原理及常见故障,最后研究其在船舶柴油机增压器故障诊断中的应用,并用仿真实验验证了支持向量机在柴油机废气涡轮增压器故障诊断中具有的拟合能力。研究表明,在正确选取特征参数的基础上,采用SVM方法进行船舶柴油机废气涡轮增压器智能故障诊断是可行的。     

基于SVM的交通事件检测技术

为减少交通事件引起的交通延误,提出了一种基于支持向量机(SVM)的交通事件自动检测(SVM-AID)算法.采用实际高速公路交通参数数据库(I-880数据库),对SVM-AID算法的分类性能进行测试,并分析了SVM中各参数对分类效果的影响.结果表明,SVM中参数对分类效果的影响很大,必须慎重选择;SVM-AID算法对不同...     

基于支持向量机的船舶柴油机层次故障诊断的研究

文章介绍了支持向量机的原理和算法,分析了层次分析法及其在故障诊断中的应用,并在上述理论下,建立了柴油机的故障模型。仿真结果表明,SVM能够在小样本的情况下解决柴油机故障诊断的分类问题,在实际的机械故障诊断的分类中具有广泛的应用前景．     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.