基于Krawtchouk矩和支持向量机的火焰状态识别

监测炉膛火焰燃烧状态对防止锅炉爆管起着重要作用。为了进一步提高火焰图像特征提取的准确度和燃烧状态的识别率,文中将Krawtchouk矩引入火焰特征提取,提出了一种将Krawtchouk矩不变量与小波支持向量机相结合的火焰燃烧状态识别方法。首先计算火焰图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造火焰图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对火焰图像进行状态识别,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为火焰图像的特征能更好地对火焰图像燃烧状态进行识别,识别率大大提高,且结果与实际情况相符。     

多特征组合及优化SVM的电能质量扰动识别

提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量,采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异,通过设定特征阈值进行初步分类,然后结合S变换提取的3种特征,采用优化参数的SVM进行后续分类。仿真实验表明,该方法能够有效识别常见的8种电能质量扰动及2种复合扰动,相比未经优化的支持向量机模型,粒子群优化的SVM具有较高的识别精度和运算速度,且抗噪能力强。     

基于遗传支持向量机算法的燃烧状态诊断

针对支持向量机中的参数通常用交叉验证来确定的状况,提出了遗传支持向量机算法,即使用遗传算法来优化支持向量机中的参数并应用在基于火焰图像特征参数的锅炉燃烧状态诊断中.从火焰图像中提取的5个特征量作为支持向量机的输入,3种燃烧状态作为输出,选用径向基核函数,使用遗传算法得到优化参数.实验结果表明,该方法能在较大范围内准确地...     

参数优化的支持向量机机车车轮状态检测

针对车轮状态检测中存在的类间样本误分代价不等的问题,利用自适应变异粒子群算法对代价敏感支持向量机(CS-SVM)的参数进行优化。该方法从数据样本中提取不均衡数据创建训练样本,采用代价敏感的支持向量机建模。为了提高分类的精确度,选用径向基核函数优化模型结构。提出了自适应变异粒子群算法优化CS-SVM的两个不同惩罚参数和核函数,并用参数优化的代价敏感支持向量机实现重载机车车轮状态分类。最后,通过仿真验证,车轮状态检测的平均准确率可以达到95%,平均处理速度24 s,具有实时性和较强的鲁棒性,能够满足重载机车运行要求。     

基于多尺度排列熵和改进多分类相关向量机的 滚动轴承故障诊断方法

针对传统的时域、频域和时频域参数提取方法,难以从滚动轴承振动信号中提取出丰富的故障特征问题,提出通过多尺度排列熵提取故障特征,并结合改进的多分类相关向量机进行故障诊断的方法。由于多分类相关向量机的核函数参数不具有自适应选择的能力对故障诊断精度有较大影响,通过一种新智能优化算法-蝗虫优化算法改进多分类相关向量机,实现多分类相关向量机的自适应优化故障诊断。采用美国西储大学的试验数据验证表明,提出的优化故障诊断模型能够实现滚动轴承不同类型的故障诊断和不同故障程度的辨识,与粒子群优化多分类相关向量机的故障诊断模型相比,提出的故障诊断模型准确率达到了100%。     

基于DDAG支持向量机的汽车车型识别

文章应用DDAG支持向量机方法对汽车图像进行识别。首先采用背景差分方法提取运动汽车,然后用Otsu法进行阈值分割、基于边缘阴影检测方法消除阴影,最后提取运动汽车的RST不变特征,输入DDAG支持向量机进行训练和识别。实验表明,基于DDAG支持向量机的车型图像识别算法具有很好的性能。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断，提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号，构建小波包的能谱熵和系数熵，将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别，输出诊断结果。通过仿真实验表明，此方法对五组不同的样本诊断准确率达到99.17%~100%，且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

最小二乘支持向量机可视化燃烧/排放关联特性的研究

一种基于光学原理的燃烧火焰/温度场测量装置,用以获得实时的炉内燃烧信息,以便实施洁净煤燃烧技术。文中以可视化火焰检测系统对电站锅炉燃烧火焰和温度场进行监测的研究。通过测量,得到了数值化的火焰/温度场信息,对燃烧火焰的图像进行了分析,提取了不同单色波波长下的火焰图像的平均灰度、方差、熵、火焰丰度、能量、最高灰度等特征量,计算得到了温度分布。为了建立锅炉排放与火焰参数及燃烧温度的关系,利用最小二乘支持向量机原理,以火焰参数为主要判据,将得到的表征燃烧的特征量作为最小二乘支持向量机的输入,对NOx排放量进行了预估。结果表明,估计值与实测值具有一致性。     

基于蝗虫算法的图像多阈值分割方法

针对图像分割中的阈值选择问题,提出了一种基于蝗虫算法的图像多阈值分割算法。该算法综合考虑Otsu法和最大熵法的分割特性,以Otsu算法的最大类间方差和Kapur最大熵法的最大熵值构造适应度函数,利用蝗虫算法进行寻优求解最佳阈值,最后利用最佳阈值对图像进行分割。将该算法与传统的Otsu算法、最大熵法、基于粒子群的图像分割方法、基于人工蜂群的图像分割方法进行比较,实验结果表明,相对其他算法,分割所得的峰值信噪比更大,分割效果更好,在阈值个数为4和5时,该算法所得的峰值信噪比(PSNR)值相比粒子群算法、人工蜂群算法提高了约3%和1. 5%,算法的运行时间相比粒子群算法和人工蜂群算法,快了约9%和5%。     

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

VMD多尺度熵和GWO-SVM在扬声器异常声分类中的应用

针对扬声器异常声分类中异常声特征提取以及分类识别两个关键环节,提出一种基于变分模态分解(VMD)多尺度熵(MSE)与灰狼算法优化支持向量机(GWO-SVM)结合的扬声器异常声分类方法。首先,对扬声器声响应信号进行VMD分解得到一系列本征模态函数(IMF),计算各阶IMF与原始信号的相关系数,然后选择相关系数高的IMF提取该IMF的MSE作为特征向量,最后利用灰狼算法优化支持向量机模型识别故障类型。实验结果表明,在5种状态下扬声器单元分类的识别中,较经验模态分解(EMD)多尺度熵、VMD多尺度散布熵(MDE)、EMD多尺度散布熵的特征提取方法,VMD多尺度熵呈现出更高的识别准确率,其识别准确率为99.3%。能更好地表征异常声特征。     

核主成分分析和粒子群优化支持向量机在电力机车笼型异步牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统。其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

PCA和SVM在火焰监测中的应用研究

通过对火焰图像进行分析,提取火焰亮度、火焰面积、质心偏移距离和圆形度等7个特征量.然后基于主元分析技术,提出一种对燃烧火焰稳定性进行监视和诊断的方法,采用Hotelling T2和Q两个统计量对每一时刻的图像数据向量进行监测,检验是否超过各自的控制限,只要这两个统计量之一越限,则可判定燃烧出现异常.实验结果表明:该方法能够在线实时地、有效地识别、判断火焰的燃烧状态,并且将结果以Q图、Hotelling T2图和主元图的形式直观地表示出来;该文同时应用支持向量机方法分别对特征向量和原始图像数据进行识别分类,结果表明基于主元分析原理和支持向量机方法所得到的结果是一致的.     

基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究

在水电机组轴心轨迹识别研究中,为解决传统支持向量机方法中特征参数无法自适应选择而导致分类性能不高、计算时间过长等问题,提出混合人工蜜蜂群算法特征参数同步优化支持向量机（HABC-SVM）的轴心轨迹识别方法。将人工蜜蜂群算法引入到支持向量机识别优化模型的求解中,对人工蜜蜂群从搜索策略、蜜源编码、更新策略等方面进行了改进。通过仿真试验获取水电机组的四类典型轴心轨迹样本,对轴心轨迹中提取的19种特征参数和支持向量机参数进行了同步优化,将改进HABC算法与PSO-SVM算法和GA-SVM算法进行了对比。研究结果表     

粒子群优化算法和最小二乘支持向量机的 雷电过电压识别

为了提高雷电过电压的识别率,满足雷电过电压识别的实时性,提出了粒子群优化算法和最小二乘支持向量机的雷电过电压识别模型。首先提取多种特征作为雷电过电压识别的输入向量,然后采用最小二乘支持向量机设计雷电过电压识别的分类器,采用粒子群优化算法确定最合理的分类器参数,最后通过实验分析其有效性和优越性。结果表明,PSOLSSVM可以描述雷电过电压信号与特征间变化关系,提高了雷电过电压识别率,加快了雷电过电压识别速度,识别结果优于其他模型。     

一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

粒子群优化–最小二乘支持向量机算法在高压断路器机械故障诊断中的应用

提出了一种高压断路器机械故障诊断的智能算法,该算法采用最小二乘支持向量机(least squares support vector machine,LSSVM)算法,提取高压断路器振动信号的特征熵;为了提高故障诊断的精度,采用粒子群优化(particle swarm optimization,PSO)算法,优化LSSVM算法的参数。算例表明:PSO-LSSVM算法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统的支持向量机(support vector machine,SVM)算法,适用于高压断路器机械故障诊断。     

基于支持向量机的断路器运行状态图像识别方法

针对变电所常见的断路器运行状态图像的特点,提出将支持向量机(SVM)分类器应用于断路器运行状态识别中。将采集到的断路器运行状态图像处理和图像分割技术应用到运行状态指示牌的汉字或数字部分,再利用K—L变换提取运行状态的特征向量,最后利用支持向量机分类方法进行状态识别。     

基于改进粒子群优化支持向量机的光伏电池输出功率预测

采用支持向量机预测光伏电池功率时,其预测精确度与惩罚参数c和核函数参数g的取值有关。提出一种改进粒子群算法优化支持向量机并预测光伏电池输出功率。改进粒子群算法通过控制粒子的初始速度和位移并限制粒子速度的最大值和最小值,保证粒子不超出规定的速度边界,且具有自主调节功能;增加自适应粒子变异,避免粒子群算法陷入局部最优而导致搜索精度下降。结果表明,采用改进粒子群算法优化支持向量机预测光伏电池输出功率的精度更高,误差更小。     

基于奇异谱熵和支持向量机的变压器绕组松动识别及定位

绕组压紧状态影响着变压器的机械性能和绝缘性能。为此,提出一种基于奇异谱熵和支持向量机的变压器绕组松动诊断及定位方法。首先进行110 kV变压器绕组松动实验并测取不同绕组状态下的振动信号,对信号进行时间序列重构,通过奇异值分解提取重构空间的最优特征序列,结合信息熵得出绕组松动的特征量——奇异谱熵,并作为诊断模型的输入,利用粒子群算法对多分类支持向量机进行参数优化。并将其测试结果与BP和PNN神经网络的诊断效果进行对比。实验结果证明,该方法能有效地判断绕组是否发生松动并正确识别绕组松动相,验证了上述方法的可行性和准确性。