基于粒子群优化支持向量机的斜拉桥主梁损伤识别研究

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模型参数的自动优化,基于PSO-SVM的损伤识别方法对斜拉桥主梁不同程度的损伤均有很高的识别率。     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,提出基于小波分析和支持向量机(SVM)的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障诊断.MATLAB仿真结果表明,该方法能够准确地对故障进行诊断.     

基于贝叶斯置信框架的最小二乘支持向量机模型参数选择方法及SS_7型电力机车牵引电机建模

利用贝叶斯置信框架推断LS-SVM模型参数并建立贝叶斯LS-SVM曲线拟合模型.运用贝叶斯LS-SVM曲线拟合模型对SS_7型电力机车牵引电机的磁化曲线进行拟合.结果表明:贝叶斯LS-SVM曲线拟合模型对SS_7型电力机车牵引电机的磁化曲线拟合速度及精度均有较大地提高,小样本条件下的泛化能力更好.依据贝叶斯LS-SVM曲线拟合模型建立了SS_7型电力机车牵引电机的仿真模型.仿真计算表明,所建的SS_7型电力机车牵引电机仿真模型与机车牵引电机实际运行状况吻合,可用于对SS_7型电力机车主电路性能及控制策略的研究.     

一种边坡非圆弧滑动面的向量表示方法

在边坡稳定分析中,对于非均一地层边坡,其破坏临界滑动面趋向非圆弧面.从滑动面的特征出发,将滑动面控制点和滑动面形状约束用一种数学模型表示,研究出一种新的滑动面表示方法,有效保证了滑动面表示的合理性,以及对关键点控制的灵活性.同时,它也是一种具有一般性的表示,随着边坡与滑体控制范围的不同,相同的表示会产生完全不同的滑动面.这种表示应用于临界滑动面的搜索过程中,可有效保证搜索成功率,提高滑面搜索效率.     

船舶永磁同步推进电机的优化I/f起动控制方法

为解决高转矩与高转动惯量的船舶推进电机在开环I/f控制中转速和转矩波动大、电机易失步、效率低的问题,提出一种I/f控制改进方法。通过建立转矩角观测器,调节给定电流矢量的幅值,使其跟随负载转矩变化,提高系统鲁棒性。同时,将电机运行状态推进至接近最大转矩电流比状态,提高电机的运行效率;通过瞬时有功功率调节电流矢量的角速度,降低电磁转矩波动,加快电机的转速收敛过程。最后,在Matlab/Simulink中进行仿真实验,实验结果表明该方法可以显著提高推进电机运行效率和稳定性。     

复杂生产过程的小故障检测与分类方法

为监测复杂生产过程的状态,根据多元统计过程控制方法和支持向量机理论,将累积和控制图原理扩展为多变量的形式对过程数据进行预处理,并通过主元分析方法提取复杂生产过程的关键信息,得到有效的小故障数据,进而构建计算正常数据的统计量阀值及故障数据的Hotelling T平方统计值（T2）和平方预测误差值,实现了复杂生产过程的小故障模式检测,并采用支持向量机多分类方法将检测到的故障进行了分类.沥青混合料生产过程的仿真研究表明:在集料均值发生小波动、周期性上升和下降3种小故障模式下,故障检测识别率均达到95%,与主元分析方法相比平均提高了75%;分类准确率达到92.5%,与BP神经网络方法相比提高了19.3%.      

一种智能学习的动态客户标签方法的研究

研究客户标签的生成机制,构建一种动态的客户标签更新方法,结合One-Class分类和支持向量机算法智能模拟人类的学习行为,能够在模型的复杂性和学习能力之间衡量并不断自我优化,仅通过典型有限的小样本训练集,即可建立客户标签模型,又由于小样本可有效提高运行效率,实现客户标签的动态更新.     

人脸检测的一种混合方法研究

人脸检测作为自动人脸识别系统的第一个环节具有非常重要的作用,为了解决目前大部分人脸检测方法存在的分类器训练困难和检测计算量大等问题,提出了一种人脸检测的混合方法.该方法由两级分类器组成,第一级为粗分类器主要过滤大部分非人脸区域,第二级为核心分类器,在由第一级粗分类的基础上利用非线性SVM算法进行人脸检测.在CMU数据库上的实验结果表明,该方法具有较高的人脸检测率,检测速度得到大幅提高.     

基于极致梯度提升和支持向量机的高速公路服务区供暖系统健康状态评估

为保障高速公路服务区供暖系统的健康运行,本文结合供暖系统的构成和运行特征,设计了一种用于评估服务区供暖系统运行健康状态的极致梯度提升（Extreme Gradient Boosting, XGBoost）和支持向量机（Support Vector Machine,SVM）的双层机器学习模型,并将系统运行健康状态分为健康、亚健康、故障和异常四个等级。首先,分析电压、电流、水温、机组运行状态、蓄热泵、循环泵和泵运行状态7个子系统的运行特征,使用随机函数和欠采样处理构建特征向量集。其次,采用XGBoost构建下层各子系统健康状态评估模型,并输出各子系统的健康状态。然后,融合各子系统健康状态的评估结果,输入至上层SVM系统评估模型,得到整个?供?暖系统的健康状态。最后,将实验与决策树、AdaBoost和XGBoost等模型进行对比,结果表明所提出的XGBoost+SVM双层机器学习模型相较对比模型而言,不仅判断精度更高,同时还可评估整个供暖系统以及各子系统的健康状态。     

基于决策树的模糊序贯最小优化分类器的人脸识别

序贯最小优化算法是一种SVM s(Support VectorM ach ines)训练算法,该算法将一个大型QP(Quadratic Programm ing)问题分解为一系列最小规模的QP子问题,从而避免了多样本情形下的数值解不稳定及耗时问题,同时也不需要大的矩阵存储空间。本文在模糊支持向量机的基础上,提出了基于决策树的模糊序贯最小优化算法并对它进行了分析和研究,在对人脸图像进行独立成分分析后,用该算法进行多类人脸识别。通过在ORL人脸库上的实验结果表明,在样本类别较少的条件下,该算法可以取得较好的效果。