基于粗糙集与支持向量机的无级变速器速比控制阀质量分类

在提取无级变速器速比控制阀性能特征参数的基础上,提出了采用粗糙集和支持向量机相结合的质量分类方法.首先,基于粗糙集理论对特征参数集进行属性约简;然后,使用支持向量机分类器对速比控制阀进行质量分类.实验结果表明该方法的分类准确率能够达到93.6%,具有良好的工程应用价值.     

基于支持向量机的装载机齿轮箱故障智能诊断研究

在分析现有齿轮箱故障诊断方法的基础上,提出了采用多分类器支持向量机齿轮箱故障智能诊断方法,简介了该方法的系统结构、实现原理、特征提取与故障类别,重点讨论了齿轮箱故障多分类器支持向量机智能诊断模型与算法。仿真试验结果说明了采用多分类器支持向量机智能方法进行齿轮箱故障智能诊断的可行性与正确性。     

基于免疫粗集属性约简的车辆故障诊断方法

针对故障诊断规则属性的复杂性,将粗糙集核属性参数的先验知识作为免疫疫苗引入抗体编码,以提高其在线学习及优化能力.将属性的分类近似质量作为适应度(目标)函数进行优化,在获取多个属性约简的同时,仍能快速地求得最小约简.把优化后的属性集作为支持向量机分类器的输入参数对故障样本进行训练与分类,提高了SVM故障诊断的能力.通过实验表明,该方法能快速、高效地对属性集进行数据压缩,有效提高了故障诊断准确率.     

小波包和SVM在发动机故障诊断中的应用

针对发动机的故障特点,提出了一种基于小波包和支持向量机(SVM)的发动机故障诊断方法。利用信号能量在小波包空间的分布特性,采用基于能量的自适应去噪方法,提取反映故障的特征向量,并基于SVM理论构建了针对发动机的多故障分类器。试验结果表明,该方法具有故障分类与识别能力。     

The Application of Support Vector Machine to the Fault Identification of Vehicle Automatic Transmission

本文中提出基于支持向量机的汽车自动变速器故障识别方法.首先利用设计的虚拟测试系统采集自动变速器3种状态下的运行数据,再对数据进行整理和筛选,提取合适的数据作为训练样本,然后设计基于支持向量机的多值分类器进行故障识别,最后与基于BP人工神经网络的诊断方法进行对比.结果表明,基于支持向量机的故障识别方法具有更快的收敛速度和更强的分类能力,适用于汽车自动变速器实时故障识别和诊断.     

基于支持向量机的夹紧力控制阀质量分类

提出了采用支持向量机对CVT夹紧力控制阀进行质量分类的方法.并设计了相应的提取夹紧力控制阀性能特征参数的试验方案与夹紧力控制阀SVM多类分类器.利用试验得到的性能参数对SVM分类器进行训练,然后分别使用训练成熟的SVM分类器与RBF神经网络分类器对夹紧力控制阀进行质量分类.结果表明,采用SVM分类器的分类准确率明显高于RBF神经网络分类器.     

基于支持向量机的交通事故组合预测方法研究

对灰色理论、神经网络和支持向量机的预测模型进行了研究,对灰色理论、神经网络和支持向量机3种预测方法进行了线性组合、神经网络组合和支持向量机的组合预测.以1995～2004年某公路路段的交通事故次数为例,与单一预测方法结果、线性组合预测和神经网络组合预测进行对比,认为支持向量机组合预测方法比较精确.     

基于高清卡口系统数据的交通事故风险预测

高清卡口系统详细地记录了车辆轨迹等车流运行信息,该系统记录的高清卡口数据可以研究交通状态和潜在事故的内在机理。采用配对病例对照方法和支持向量机的方法侦测事故风险,用网格搜索法找寻支持向量机的判定函数的优化参数。结果表明,支持向量机分类器可以有效预测91.49%的事故,误报率只有2.63%,有助于对道路交通管理部门提供决策支持。     

基于Matlab分析的Gabor滤波技术和SVM在交通标志识别中的应用研究

本文将现代统计学理论中的支持向量机技术与Gabor滤波技术相结合,提出一种基于支持向量机的交通标志识别方法,并使用MATLAB工具设计出一个简单的实验验证平台。整个系统由图像处理、特征提取、SVM分类器3个模块构成。首先对数码相机采集到的图像进行色彩分割处理,将得到的GRAY图进行Gabor滤波处理,将提取到的特征量与数据库中的基准元素通过使用SVM算法进行分类,最终实现了对交通标志的准确识别。     

基于支持向量机的城市快速路交通拥堵识别方法

首先提出一种基于交通流量-交通密度的二维空间下的交通状态分类方法,在此基础上,构建对拥堵状态和非拥堵状态识别的支持向量机分类器;其次,设计基于支持向量机的城市快速路交通拥堵识别方法的步骤;最后,以西安市南二环快速路采集的交通参数数据为例,对比验证了在不同支持向量机(SVM)分离器下本文提出的城市快速路交通拥堵识别方法的有效性.研究表明:SVM线性核函数分类器的识别正确率(识别正确率均值为91.65%)高于多项式核函数等其他核函数分类器,说明交通拥堵识别的具有良好的线性可分性;不同核函数分类器的识别正确率均高于90%,说明本文设计城市快速路交通拥堵识别方法具有良好的识别性能.     

支持向量机和基于IMF的特征能量法在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了一种基于内禀模态函数(IMF)的特征能量法和支持向量机的变速器轴承故障诊断方法。对变速器轴承内圈、外圈故障振动信号的分析结果表明,该方法在小样本情况下仍可有效提取变速器轴承的故障特征,并能成功地对其工作状态和故障类型进行分类。     

基于LS-SVM模型的无级变速器夹紧力控制系统故障诊断

在不增加硬件成本和过大的运算量的前提下,研究了基于模型的无级变速器夹紧力控制系统故障诊断方法.提出了根据测得的信号以及全局和部分元件诊断模型的输出结果来完成故障隔离与定位的诊断策略;针对系统的非线性特征,采用最小二乘支持向量机建立反映其输入输出关系的非线性预测模型.测试结果表明所建立的故障自诊断系统具有较高的精度和反应速度,可以粗略地实现故障的隔离和定位.     

结构树和粗糙集相结合的车辆故障诊断系统

首先分别分析了结构树和粗糙集在故障诊断中的应用情况，然后考虑将它们结合起来，用结构树构造粗糙集的决策表，用粗糙集简化结构树生成的规则集，最后介绍了如何进行结构树和粗糙集相结合的车辆故障诊断专家系统的设计。     

基于相空间重构和支持向量机的盾构滚刀岩机实验台轴承状态趋势预测

以盾构滚刀岩机作用实验台为研究对象,提出一种基于相空间重构和最小二乘支持向量机的盾构轴承状态评估及预测方法。该方法将一维时间序列重构到高维相空间中,利用相点作为支持向量机输入,自适应地对特征进行选取,并结合支持向量机非线性回归的优点,可有效预测轴承的运行状态。对实际采集的盾构滚刀岩机实验台的轴承信号进行研究分析,发现本算法的预测结果明显优于BP神经网络。将本文算法应用于工程实践,可以对盾构关键轴承状态评估和预测,能够为盾构轴承的定期保养和维修提供有效的指导。     

一种基于VECTOR CAN工具的整车CAN总线故障正向诊断方法

本文从CAN总线概况、CAN总线故障介绍、CAN总线诊断实车测试3方面详细介绍一种基于VECTOR CAN工具的整车CAN总线故障正向诊断方法。     

基于多尺度核独立元分析与核极限学习机的柴油机故障诊断

为提高柴油机故障诊断速度和精度,提出了基于改进多尺度核独立元分析与量子粒子群优化核极限学习机的故障诊断方法。首先利用固有时间尺度分解对缸盖振动信号进行多尺度时频分解,并根据故障敏感度参数筛选有效分量以实现振动冲击特征增强;然后利用核独立元分析消除有效分量间的频带混叠,分离故障敏感频带,并提取各频带的AR模型参数、多尺度模糊熵和标准化能量矩构造联合故障特征向量;最后建立基于量子粒子群优化的核极限学习分类器实现柴油机故障诊断。试验结果表明,该方法有效增强了缸盖振动信号中的故障敏感特征,提高了柴油机故障诊断速度和精度,故障分类准确率达到98.45%。     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于粗糙集的特征值优化及柴油机故障诊断

为提高故障诊断的效率,给出了一种基于粗糙集理论的柴油机故障诊断系统。以某大功率柴油机为例,采用时域频域分析和小波包能量谱分析两种方法提取特征值,通过对比优选,将敏感性和稳定性较好的小波包能量谱特征值应用粗糙集理论进行优化,最后通过神经网络进行故障模式分类。试验表明,小波包能量谱分析方法可以提取敏感性和稳定性较好的特征值,粗糙集理论的特征属性约简能有效地减少神经网络的输入节点数,提高故障分类的准确率。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

基于POS-LSSVM的沥青路面性能评价方法

基于支持向量机的结构风险最小化与粒子群算法快速全局优化的特点,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力.选择PCI、RQI、SSI、BPN,4个指标作为评价指标,建立了基于PSO-LSSVM的沥青路面性能评价模型,将该模型用于路面性能评价,获得了令人满意的评价效果.结果表明,支持向量机法可以可靠有效地评价沥青路面性能.