基于PNN网络和Freeman链码的抽油机井工况诊断

利用概率神经网络(PNN)对抽油机井工况进行诊断,建立了抽油机井工况诊断的概率神经网络模型;对示功图提取特征值的质量好坏直接影响识别效率和可靠性,提出了用Freeman链码对等效的电流示功图提取特征参数,进行预处理,建立抽油机典型工况的链码特征样本库;将Freeman链码作为特征向量,利用MATLAB对网络进行训练;结果表明,Freeman链码能够有效地识别各种典型工况示功图,并且该概率神经网络学习速度快、诊断准确率高,可用于抽油机井工况的实时监测和诊断.     

基于神经网络的示功图诊断研究

在抽油机井生产过程中,及时掌握抽油机井工况,实现抽油机井的远程监测和科学管理,是当前抽油机采油系统迫切需要研究的一个重大课题。在传统工况诊断的基础上研究了抽油机井工况智能诊断技术。通过对示功图的网格化,建立了示功图的计算模型,通过对这些模型进行预处理,建立了抽油机井典型工况的特征参数样本库。研究了BP神经网络的基本结构,并将BP神经网络诊断系统应用于抽油机井示功图识别,取得了良好的效果。     

智能动态诊断模型及在示功图识别中的应用

针对抽油机井示功图模式诊断问题,提出了一种基于过程神经元网络的动态诊断模型和方法。过程神经元网络（PNN）的输入和连接权均可以是时变函数,通过对训练函数样本集的学习,可自动抽取时变函数样本的过程模式特征,并可将多个过程特征加以组合形成类别输出,在机制上对时变信号的分类问题具有较好的适应性。建立了一种基于PNN的动态诊断模型和方法,给出了基于函数基展开结合梯度下降的学习算法,对油田实测的抽油机井示功图进行工作状态识别,取得了较好的应用效果。     

基于LIBSVM的融合傅里叶幅值与相位的示功图识别方法

通过示功图来诊断抽油机井工况,是确保油井安全高效生产的一种重要手段。针对现有示功图特征提取只利用其离散傅里叶变换(Discrete Fourier Transform,DFT)的幅度谱而忽略了其相位谱,从而导致识别率较低的问题,提出了一种融合DFT的幅度谱与相位谱的示功图识别方法。首先,将示功图数据组成复数序列,取其DFT的幅度谱与相位谱构造特征向量;其次,对已知故障种类的示功图的特征向量进行训练,构造多分类支持向量机(Support Vector Machines,SVM)分类判别模型;最后,通过LIBSVM分类识别方法对未知类别的示功图进行分类识别,从而诊断抽油井的工况。实测结果表明,与只利用DFT幅度谱的方法相比,该方法能够有效地提高示功图的识别率,能为油井工况的准确分析、诊断与实时优化控制提供技术支撑。     

基于支持向量机的抽油机井故障诊断模型研究*

目前油田中最常用的采油模式为有杆抽油机举升方式,其具有安全、可靠、成本低和操作方便等诸多优点,但是由于有杆抽油机设备的工作环境恶劣,导致常常出现故障情况,增加了生产过程中不必要的生产成本。通过对抽油机故障示功图的研究和分析,建立了基于支持向量机的抽油机故障诊断模型,并进行了一系列的实验分析。实验结果表明,该故障诊断模型可以有效地解决抽油机故障诊断不及时,准确性不高等问题,大大提高了抽油机性能和效率,从而提高了油田的采收效率和经济效益。     

一种新型测井仪的研制与应用

介绍了在油田低压测试过程中,测试抽油机井示功图、液面、电流功图、憋压等参数的新型测试仪器--TD01D电脑测井仪.     

基于LSTM的抽油机井工况诊断研究

抽油机井工况诊断和预测对于掌握抽油机井运行状态、有效提升油井生产效率具有重要意义。目前主要基于抽油机井示功图诊断井下工况。考虑示功图时序性这一特征,通过卷积神经网络提取示功图中的静态特征值,结合上下行电流、载荷等动态生产参数,建立基于LSTM神经网络的抽油机井工况预测模型,将卷积神经网络与LSTM神经网络相融合,提高了工况诊断精度和诊断方法的合理性。141口抽油机井故障预测准确率达到96%以上,实验结果与BP神经网络、卷积神经网络等单一工况诊断模型相比较,预测效果更接近真实值。     

基于遗传算法和支持向量机的玉米品种识别

提出了一种基于遗传算法（GA）和支持向量机（SVM）的玉米种子的图像特征选择和分类识别的新方法。该方法首先用遗传算法对采集到的玉米种子图像的特征进行优化,而后采用决策二叉树的支持向量机分类算法对玉米品种进行识别。该分类算法将分类器分布在各个结点上,构成多类支持向量机,减少了分类器的数量和重复训练样本的数量。实验结果表明该方法能选出适合于识别的玉米种子特征并能对玉米种子进行正确地识别。     

对传过程神经元网络在油井故障诊断中的应用

为更好解决抽油机井示功图模式诊断问题,依据示功图绘制原理,将示功图识别看作动态系统连续曲线（位移-时间曲线和载荷-时间曲线）的模式识别问题。利用过程神经元能同时处理时、空二维信息,可自动抽取时变函数样本的过程模式特征,在机制上对时变信号的分类问题具有较好的适应性,提出一种基于对传过程神经元网络诊断模型及其学习算法。以油井实测数据对模型进行训练和故障识别,取得了较好的应用效果。     

基于决策树与多元支持向量机的齿轮箱早期故障诊断方法

齿轮箱部件的故障形式多样,典型故障训练样本数量有限;为了提高齿轮箱故障诊断的精度和效率,提出了基于决策树与多元支持向量机的齿轮箱早期故障诊断方法;利用决策树分类速度快、效率高的优点和支持向量机在小样本二元分类方面突出的特点构建多元分类识别模型,在不同故障情形下提取齿轮箱振动信号典型特征参数作为故障特征向量训练模型,并对样本进行测试;实验结果表明,该方法在小样本情况下识别效果明显优于神经网络方法,同时在识别效率方面比常规多元支持向量机方法有了较大的提高。     

基于NMF-SVM模型的上肢sEMG手势识别方法

针对基于表面肌电信号进行动作识别的问题,按照不同的运动形态对应的各肌肉激活程度不同的思路,建立基于非负矩阵分解（NMF）与支持向量机（SVM）的联合模型,对从肌电信号中提取的特征值按照行表示肌肉类型,列表示特征值类型的规则组成规律性的特征矩阵,并对特征矩阵进行非负矩阵分解降维,降维得到的表征各肌肉激活程度的系数矩阵送入到支持向量机中训练并分类。基于非负矩阵分解与支持向量机联合模型与传统SVM模型相比,计算效率提高了一半,识别率提高了5.2%;通过样本分离实验表明,该算法依然有91.7%以上的识别率,验证了算法的有效性。     

基于VQ-MAP和SVM融合的说话人识别系统

针对传统支持向量机（SVM）在说话人识别中运算量过大的问题,提出了VQ-MAP和SVM融合的说话人识别系统。它应用仅自适应均值向量的最大后验概率矢量量化过程（VQ-MAP）,来得到自适应的说话人模型,用此模型中的参数向量作为支持向量应用于SVM来进行说话人识别。用Matlab进行仿真实验,结果表明,基于VQ-MAP和SVM融合的说话人识别系统大大降低了运算量,SVM训练时间短,且具有较高的识别率。     

基于多值分类SVM的电梯交通模式识别

针对电梯群控系统中的交通模式识别问题,提出一种基于多值分类支持向量机(SVM)的电梯交通模式识别方法。采用直接多值分类SVM对采集的电梯交通流数据进行分析,得到交通模式分类器,从而解决电梯交通流模式识别中多输入、多输出的非线性系统辨识问题。实验结果表明,该方法可实现全局最优且分类误差较小,能满足群控系统的要求。     

面向脑电情感识别的改进多分类RVM模型研究

从相关向量机（RVM）和支持向量机（SVM）的相似性以及RVM的稀疏特性出发，将RVM应用于脑电信号（EEG）的情感识别中。针对一对一（OAO）和一对多（OAA）两种多分类方法各自的特点和不足，提出了一种全新的两层多分类模型（OAA-OAO），改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验，验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号，提取其非线性特征（功率谱熵、样本熵和Hurst指数）并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比，分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明，采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高，且RVM表现出的性能优于SVM。同时，改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%，证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高，验证了此模型是一种有效的多分类模型。     

基于混合分类器的表情识别方法

根据隐马尔可夫模型(HMM)适用于处理连续动态序列信号、支持向量机(SVM)与K近邻分类器(KNN)擅长模式分类的特点,设计一种(HMM+KNN)+SVM的混合分类器。利用HMM与KNN对测试样本进行判决。当判决结果相同时,直接输出判决结果,否则引入SVM对测试样本进行再判决。实验结果表明,该方法所确定的分类器优于单一的分类器判决,能有效实现表情识别。     

基于正交盖氏矩和SVM的车牌字符识别

针对传统字符特征提取算法中特征不稳定的缺点,提出一种基于正交盖氏矩的特征提取方法。采用支持向量机解决车牌字符识别问题,自动寻找对分类有较好区分能力的支持向量,由此构成的分类器可以最大化类间间隔,达到正确区分类别的目的。实验结果表明,该方法对于实时视频流中的车牌识别能取得理想效果,在解决有限样本、非线性及高维模式识别问题中表现出优越的性能,且具有适应性强和效率高的特点。     

基于SVM的大样本数据回归预测改进算法

针对支持向量机回归预测精度与训练样本尺寸不成正比的问题,结合支持向量机分类与回归算法,提出一种大样本数据分类回归预测改进算法。设计训练样本尺寸寻优算法,根据先验知识对样本数据进行人为分类,训练分类模型,基于支持向量机得到各类别样本的回归预测模型,并对数据进行预测。使用上证指数的数据进行实验,结果表明,支持向量机先分类再回归算法预测得到的均方误差达到12.4,低于人工神经网络预测得到的47.8,更远低于支持向量机直接回归预测得到的436.9,验证了该方法的有效性和可行性。     

基于支持向量机与反K近邻的分类算法研究

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机（SVM）与反K近邻分类算法（RKNN）相结合,提出了基于支持向量机与反K近邻的分类算法（SVM-RKNN）;最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法。实验结果表明：SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%。