基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines，SVM）故障分类器，在不易取得训练样本的情况下，实现较高准确率的故障诊断，并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法，以及改进型一对多算法），通过将其应用到实际电路进行故障诊断当中对其性能进行比较，得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法，核函数的选择对故障诊断的性能也存在着一定的影响。     

一种基于SVM 的航舵故障诊断方法

针对舵机故障样本数量不足、诊断知识不完备的实际情况,提出一种基于支持向量机(support vectormachine,SVM)的故障诊断方法。根据航舵故障输入输出映射非线性的特点,分析SVM的分类机理,对基于SVM的故障诊断步骤进行介绍,解决了小样本模式的分类问题,并通过仿真对该方法的有效性进行验证。仿真结果表明:该方法对舵机故障分类准确性可达92%。     

基于主元分析与支持向量机的方法及其在过程监控诊断中的应用

基于支持向量机（SVM）在处理小样本、高维数及泛化性能强等方面的优势，提出了基于主元分析和支持向量机（PCA—SVM）对过程进行监控的方法。文中先利用主元分析方法进行特征数据提取，得到降维的主元特征向量，去除了高维样本变量相关性。然后分析各状态T^2统计、SPE统计量的变化趋势，对实际生产状况进行监控，最后利用SVM与最近邻法相结合的策略对特征向量进行分类识别。试验结果证实了提出算法的有效性。     

基于主成分分析和多元支持向量的旋转机械故障诊断方法

针对旋转机械运行过程中的非线性、非平稳突变性等复杂特征,提出一种基于主成分分析（PCA）和支持向量机（SVM）的精确故障诊断方法。该方法对振动信号进行EMD分解,得到多个基本模态分量IMF后,通过Sha-noon能量熵测度后将多个IMF分量进行主成分分析,提取有效的振动特性,再将其作为特征矢量输入到多元支持向量机SVM进行精确的故障诊断和分类。以一个滚动轴承为例进行分析,结果表明该方法具有强的鲁棒性和可靠性。     

支持向量机非线性辨识与控制概述

首先讲述非线性系统辨识的一般模型、基于支持向量机（support vector machine．SVM）非线性辨识的结构和SVM辨识与控制的优势、特点，然后阐述了SVM在控制中的应用，包括SVM在内模控制，SVM预测控制及多核SVM控制等，最后探讨了SVM本身在算法快速性，核函数的改进，错误惩罚参数选择以及在SVM中损失函数的选择上存在的问题。     

基于RS理论的支持向量机分类模型

基于粗糙集(RS)的支持向量机(SVM)分类模型用RS预处理原始样本数据,通过属性和对象的约简消除输入样本数据冗余条件和样本,简化样本数据空间维数.预处理后数据作为样本数据训练SVM,其模型采用模糊离散.用C 编程实现仿真,选用RBF核函数训练SVM,仿真证明该分类模型提高训练速度和分类精度.     

基于集合经验模态分解-支持向量机的高压共轨系统故障诊断方法

柴油机高压共轨系统运行时轨压波动信号波动较大且非线性特征较为明显,使其故障诊断较为困难。针对高压共轨系统轨压信号状态参数难以提取与识别的问题,提出一种基于集合经验模态分解（EEMD）—支持向量机（SVM）的故障诊断方法。通过EEMD将轨压信号分解为一系列固有模态函数,利用过零率曲线确定的特征提取准则提取本征模态函数中的特征值。将提取的特征值输入SVM中进行故障类型的诊断。通过AME Sim软件仿真实验获得轨压信号,对比7种不 同的特征值选择方法,最终选取能量特征值构建特征值向量并进行识别和诊断结果分析,以验证该方法的正确性与准确性。结果表明：所提出的基于EEMD—SVM的高压共轨系统故障诊断方法能够对6种不同的运行状态进行状态识别,平均故障诊断正确率可达96.11%。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

基于多分类支持向量机和证据合成方法的多传感器信息融合研究

为克服支持向量机和Dempster方法的不足,提出一种基于SVM多分类器的识别结果概率输出方法。以BPA函数的形式输出SVM多分类结果,对Dempster证据合成方法进行了改进：根据证据之间的相似性程度判断是否存在证据;中突,对于证据数目在3条以上且存在冲突的证据组合,引用统计理论中马氏距离的计算公式计算各证据与其余证据组合之间的距离,导出各证据的重要性权系数,由此对证据的BPA函数进行转化,采用Dempster方法对转化后的BPA函数进行合成。然后,将SVM多分类器的BPA输出作为参与融合的各传感器对应的BPA函数,采用改进的证据合成方法进行合成,得到最后识别结果。结果表明,SVM识别方法能降低错误率,其输出形式包含更多信息量。     

基于支持向量机的机电BIT虚警抑制

诊断间歇故障是降低BIT虚警的一个主要途径。针对目前间歇故障诊断方法的不足，根据支持向量机(SVM)的小样本学习优点，建立基于支持向量机的三状态(正常、间歇故障、永久故障)故障诊断模型，再以振动信号的AR模型系数为特征，在少量训练样本下，利用该模型SVM诊断间歇故障。实验结果表明，该方法可在多种间歇故障、少量训练样本的情况下，对间歇故障进行有效诊断，从而达到降低BIT虚警的目的。     

支持向量机在模式分类中的应用

通过支持向量分类算法包括4类：线性分界面硬间隔、线性分界面软间隔、非线性分界面硬间隔和非线性分界面软间隔，区分线性和非线性支持向量机是否引入核函数和具有惩罚因子。以RBF为核函数的非线性支持向量机对2类2维样本进行仿真分析。结果表明，支持向量机分类能力受核函数参数影响较大，当选取适当参数时，其分类性能与最近邻法相当。     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

支持向量机核函数及优化研究

基于支持向量机的推广能力,提出选择核函数的依据.若训练样本总数一定,可采取减少支持向量数的原则减小分类错误率的产生,而减少支持向量的数量取决于核函数的选择.通过增大二次项系数的绝对值提高分类精度.实验验证改进后的核函数符合Vapnik的有关分类器推广性理论,有较高的分类精度和很好的普适性.     

支持向量机在液体火箭发动机稳态段故障检测和诊断中的应用

将支持向量机方法用于某大型液体火箭发动机稳态试车数据的挖掘,建立了多故障分类器,采用23次试车数据对上述挖掘结果进行了测试,将测试结果与人工神经网络方法等所得结果进行了比较.并利用28类仿真稳态故障数据对该方法进行了进一步验证.结果表明,支持向量机方法是一种可基于小样本的、有效的液体火箭发动机故障检测与诊断方法.     

lp范数约束的模拟电路3层多核故障诊断模型

为提升模拟电路故障隔离精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种改进的l_p范数约束多核超限学习机诊断模型。该模型通过将带权分类误差融入超限学习机优化目标函数中,基于自适应Boosting策略构建了一种3层多核学习框架。在新框架下通过自适应调整训练样本的权重分布,使得每层框架能够聚焦于不同故障样本,进而提升诊断模型的辨识力。通过对2个电路实例的诊断,结果表明：所提模型在不同范数约束下具有近似一致的诊断性能;当故障属性单一时,在平衡漏警、虚警的同时,能够显著提升诊断正确率;当多种属性的故障并存时,能够将难以辨识的故障更加准确地隔离到少数模糊组中。     

基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法，设计了相应的预处理算法，提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据，比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。