基于支持向量域数据描述的快速学习算法

支持向量域数据描述(SVDD)是一种单值分类算法,用于将目标样本与其他非目标样本区分开来.本文引入数学中曲率的概念,根据分类边界线附近支持向量曲率的大小来对训练集进行约减;提出了一种约减型的支持向量域数据描述快速训练算法FSVDD,该算法与传统SVDD相比减少了训练时所需的支持向量数目,因而训练时间极大减少,同时分类性能几乎不受大的影响,该算法在大规模训练样本学习中具有现实意义.     

基于多类超球支持向量机的铣削颤振预测方法

为了预测薄壁件铣削过程颤振的发生,提出了一种应用小波系数特征和多类超球支持向量机进行铣削颤振预报的方法.首先基于连续小波变换分别提取高、低频段铣削振动信号的特征,然后利用多类超球支持向量机进行稳定铣削状态、铣削颤振孕育状态、铣削颤振状态识别.为了简化支持向量机进行多类分类时所带来的计算复杂性,该算法使每一类样本都获得一个超球支持向量机,在特征空间中以测试样本与超球中心距离、超球半径作为决策函数来进行识别.实验表明,在铣削颤振识别系统中多类双核超球支持向量机与连续小波系数特征向量相结合具有良好的识别效果,颤振孕育预报正确率达98.0％.     

基于最大树聚类的多超球体一类分类算法及其应用研究

提出了一种基于最大树聚类的多超球体一类分类算法。首先应用最大树聚类算法将训练样本聚为多个子类,再对各子类分别进行一类支持向量机(one-class SVM,OC-SVM)分类器训练,得到由各子类对应的超球体形成的多超球体一类分类模型。分别将该方法应用于仿真数据、UCI标准数据集以及转子故障诊断三个实例中,结果表明了该方法的有效性。     

基于CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。     

基于小球大间隔方法的机械故障检测

针对机械故障检测中,正常样本多、故障样本少、训练样本严重不平衡的客观情况,将小球大间隔方法引入其中,提出了一种不平衡样本下的机械故障检测方法。该方法同时使用大量的正常样本和少量的故障样本进行训练,在特征空间中构造一个包围正常样本的超球,在该超球体积最小化的同时,进一步使超球边界与故障样本之间的间隔最大化,从而显著减小将故障情况误判为正常情况的概率。将该方法应用到滚动轴承故障检测中,并与传统的支持向量机和支持向量数据描述方法进行了比较,实验结果表明,该方法在解决不平衡样本下机械故障检测问题具有优越性。     

基于SVDD和相对距离的设备故障程度预测

针对设备故障程度预测问题,提出一种基于支持向量数据描述和核空间相对距离的预测算法。首先通过实验分析法,优化选取了对设备故障程度敏感的频域特征参数及核函数参数;然后分别单独训练设备不同故障程度的数据样本,得到相应的描述设备故障程度的各独立封闭超球体,并引入待测样本点至各超球体中心的相对距离,确定样本所属的故障程度,在此基础上建立设备故障程度预测模型。通过转子振动台所模拟的不平衡故障数据进行实验验证,表明所提出方法能有效预测设备的故障程度。     

基于动态支持向量数据描述的故障诊断研究

在传统的支持向量数据描述算法中所使用的训练样本往往比较有限,所形成的目标样本区域边界的精确度往往不够,同时SVDD算法在进行实时检测时要处理大量样本数据运算量较大。基于此提出动态支持向量数据描述的故障诊断方法。该方法是支持向量数据描述算法的改进型,将测得的目标样本与支持向量集一起形成新的训练样本重新训练分类器,随着被测样本数的增加而不断更新目标样本区域。这样可以减小优化规模,提高故障诊断的效率和准确度。     

利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

基于球面正则化的支持向量描述视觉异常检测

异常检测作为视觉领域中一项独特而关键的任务,在医疗、安保等领域具有广泛的前景。 异常检测目前受限于大规模 异常数据标注,因此现有方法集中在单类分类和弱监督学习,深度支持向量描述(Deep SVDD)是实现单类分类的常见方法。 然 而,传统 Deep SVDD 在开展异常检测时往往面临球体崩塌。 针对这一问题,提出了基于球面正则化的 SVDD 异常检测算法,通 过引入软间隔损失与支持向量的思想,优化模型学习流程。 进一步地,面向可标注样本,提出了基于 SVDD 的弱监督异常检测 方法。 在公开数据集 MNIST 和 CIFAR-10 上进行消融和对比实验,实验证明,相比于有监督算法,在 MNIST 数据集上,SR-WSVDD 的性能提高了 3. 7% ,而在 CIFAR-10 数据集上则提高了 16. 7% 。 此外,与其他弱监督算法相比,SR-WSVDD 在 CIFAR- 10 数据集上提升了 1. 8% 。 所提出的 SR-SVDD 异常检测算法,弥补 Deep SVDD 容易发生球体崩塌的缺陷,使模型异常检测结 果更加准确。     

基于快速可拒识-双层支持向量分类器的微钙化点的检测算法

为克服微钙化点检测中假阳性高的缺点，本文构造了一种带拒识能力的双层支持向量模型分类器用于钙化点检测。对于输入模式，首先利用基于最大间隔超平面的支持向量分类器（SVM）进行分类判决；然后对真实的钙化点样本特征空间求取最小包含球形的边界，得到钙化点样本的球形支持向量域表示（SVDD），对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理；最后利用SVM与SVDD两个分类器的结果进行综合判决。无论是第一层的求取最优分类超平面，还是第二层的边界优化训练，都根据各个训练数据的类间最近邻距离进行排序操作，选择合适的训练样本子空间进行SVM和SVDD训练。仿真实验结果表明，本文提出的算法在不影响微钙化点检出率的情况下，可以部分解决钙化点检测中假阳性高的问题。