基于粒子群优化支持向量机的焊接缺陷分类

缺陷的自动分类在焊接缺陷的超声无损检测与评价中具有十分重要的意义.而支持向量机是一种性能优越的机器学习方法,在小样本、非线性及高维模式分类问题中能找到全局最优解,因此,支持向量机在超声检测缺陷分类方面具有良好的应用前景.然而,在实际应用中,选择合适的支持向量机参数是很困难的,影响了分类器的性能和分类精度.针对支持向量机训练中人为选择参数的随意性,提出基于粒子群优化的支持向量机参数自动选择方法,并将其应用于焊接缺陷的分类.该方法采用分类正确率作为优化问题的适应度函数,利用粒子群算法对支持向量机参数进行优化.为验证该方法的有效性,并和常规支持向量机、遗传算法优化的支持向量机进行比较,分别采用标准数据集和焊接缺陷实验数据集进行了分类测试.实验结果表明,该方法获得了比常规支持向量机和遗传算法优化的支持向量机更高的分类正确率.     

基于支持向量机与最近邻分类器的模拟电路故障诊断新策略

针对模拟电路的故障诊断和定位问题,提出了一种基于支持向量机分类器(SVC)和最近邻分类器(NNs)的模拟电路故障诊断新策略,利用SVC解决高维故障样本的分类问题,而采用NNs解决故障样本间的重叠问题。首先建立"1-v-r"结构的SVC对电路故障样本进行训练,并根据训练参数构建故障字典;其次,在测试阶段,根据算法决定利用SVC或NNs对未知样本进行测试。本文设计的故障分类器方法简单,结构确定,通过对两个模拟电路的实验表明,所提出的方法性能要优于常规的"1-v-r"支持向量机分类器;与"1-v-1"支持向量机分类器的诊断性能较为接近,但测试时间较后者显著减少,较为适合模拟电路的故障诊断。     

基于模糊K近邻决策的柔性SVM分类算法

当海量样本之间相互混迭时,支持向量数目急剧增加,导致训练难度增大的同时SVM分类器性能明显下降.针对该问题,在此构造模糊KNN决策与支持向量机相结合的新的柔性SVM分类器.它先建立所有训练样本的类间最近邻距离,根据各个训练数据的类间最近邻距离进行升序排列;然后根据模糊k近邻分析结果对训练样本集进行修剪,在剩余空间中选择合适规模的样本子空间进行SVM训练.在分类阶段,首先计算待识别样本和SVM超平面的距离,如果距离大于某一设定门限,直接利用SVM进行分类,否则带入到所有支持向量与修剪样本合成的模糊KNN分类器中进行分类判决.对比实验结果表明,提出的算法无论是训练速度还是分类精度都远远好于单独的SVM分类器.     

一种支持向量分类器集成的方法

针对支持向量机的分类精度受数据表达形式以及个体分类器模型选择因素影响较大,提出一种新的支持向量机集成算法来克服这个缺陷.首先利用PCA对原始数据进行处理,通过寻求原始数据的更好表达形式,以降低高维特征空间的维数;然后利用模糊积分进行多个子分类器决策融合,兼顾各子分类器的分类结果和各子分类器判决对最终决策的重要程度.仿真...     

基于PSO-SVM的重轨标识识别方法研究

重轨标识自动识别对于企业的质量控制至关重要,针对目前主要依靠人工检测法来观察重轨字符的现状,提出利用机器视觉获得图像进行标识识别的思想：在对图像的字符区域进行定位之后,利用基于粒子群算法的支持向量机参数选择方法对重轨标识进行分类。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的分类精度与检测效率,其训练集的字符识别准确率达到了99%,测试集的准确率达到了83%,训练时间为62.195s,各项指标高于遗传算法优化的支持向量机回归模型。能够用于重轨标识的在线检测。     

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。     

模拟电路故障的一种聚类二叉树支持向量机诊断新方法

针对模拟电路故障特征样本的分类(诊断)问题.提出了一种基于聚类二叉树支持向量机(SVMs)多分类器的故障诊断新方法,并分析了几种分类器的平均测试复杂度.首先,利用自组织特征映射神经网络(SOFM)对训练样本进行层次聚类.得到一棵聚类二叉树;其次,按照树的结构利用二元SVMs设计故障分类器,并对样本进行分组训练和测试.实际仿真和测试表明.所设计的故障分类器性能在诊断精度和效率上皆优于传统的"1-v-r"SVMs和"1-v-1"SVMs分类器,较为适合模拟电子电路的故障分类和诊断.     

基于PCA-SVM集成阀门故障诊断方法研究

提出了一种基于主元分析和支持向量多分类器的故障诊断方法.该方法首先对工业故障数据进行主元分析提取数据集特征并降低数据维数,再把故障特征数据通过支持向量多分类器进行模式分类,最后通过特征分类诊断故障.在DAMADICS阀门模型上进行了仿真,并利用Lublin Sugar Factory工业故障数据进行了验证.仿真结果表明该方法可以快速准确地检测与诊断故障.     

用于滚动轴承故障检测与分类的支持向量机方法

介绍了支持向量机原理与算法，给出了基于支持向量机多类故障层次分类检测模型以及多类故障分类器构建方法及步骤。用滚动轴承实验数据对分类器的性能进行检验，并与神经网络分类器性能进行初步对比，结果证明了支持向量机方法用于轴承故障检测与识别的可行性和有效性。     

采用SVM的磨粒分类识别方法研究

为克服传统磨粒识别分类器训练时需要大量特征样本的缺点,设计一种基于多元支持向量机(Multi-Support Vector Machine,Multi-SVM)的磨粒识别分类器.支持向量机(SVM)是一种新的机器学习方法,在小样本和高维二元分类方面有非常突出的优点.实验证明,依据此优点设计的多元支持向量机磨粒分类器模型,不仅可以在小样本情形下对模型进行快速训练,而且可以快速识别多种磨粒类型,同时识别率也比传统的神经网络方法有较大提高,从而达到了提高设备监测和故障诊断效率的目的.