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。     

基于SVDD的分类新方法

为了实现对大规模数据集的分类,提出了一种基于支持向量数据描述（SVDD）的新算法。把两类的支持向量机（SVM）问题转化为软间隔的SVDD问题,然后用核集迭代的方法得到了近似最优解。实验结果表明,提出的算法与传统的SVM方法预测精度相当,但是训练时间和测试时间更短,产生的支持向量数也更少,适用于大规模数据的分类。     

基于SVDD的交互式区域增长图像分割算法

为克服经典区域增长算法中生长规则选取的困难,提出基于交互式支持向量域描述的区域增长图像分割算法.首先通过交互方式选择目标区域的一个种子点,然后通过交互式选择属于该目标区域的子块和非目标区域的子块构造SVDD的训练样本;然后利用这些已知的训练样本训练支持向量域分类器;在区域增长过程中,利用训练所得的SVDD建立增长规则.仿真实验表明,提出的算法是合理可行的.     

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。     

基于LD-SVDD的数据分类方法研究

针对工业过程中数据维数高,导致SVDD算法在建立不同类别数据的超球面时会产生混叠区域的问题,提出了基于近邻密度-支持向量数据描述(LD-SVDD)的数据分类方法。结合局部密度信息在判别数据相似性和SVDD在数据分类的优势,使用SVDD算法对数据进行分类,对分布在混叠区域中的样本采用密度信息进一步判断其类别,通过随机产生的数据集进行仿真,并与SVDD分类结果进行比较,结果表明LD-SVDD的分类准确率提高到了93%。     

基于SVDD的发动机冷试多参数控制限设计

为了提高发动机冷试检测的准确率,将支持向量数据描述应用于正常域设计。基于尾部关联性选择关联参数,针对数据的特点改进了SVDD参数优化方法,实现了SVDD边界形成算法,提出增量学习策略应对学习过程样本量巨大的问题。实例测试结果表明新型正常域降低了漏报率,并指出误报率将随着样本的引入降低并趋于稳定。     

滚动轴承声发射特征的单分类方法及其应用

提出基于支持向量数据描述(SVDD)的滚动轴承声发射特征的单分类智能诊断方法,适用于故障监测和诊断中缺少故障样本的情况。首先利用谐波小波优良的频域盒形特性,将滚动轴承声发射信号分解到相互独立互不重叠的若干频带内,然后求取主要频带内信号的能量并归一化处理,进而将归一化能量特征作为特征向量输入SVDD分类器中进行故障识别和分类。试验表明,该方法只需要正常轴承声发射特征作为学习样本,不需要其他非目标样本即可实现故障轴承的识别,与支持向量机分类方法比较具有更高的准确率。