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.     

基于K-近邻分类算法的供需数据智能匹配研究

针对将智能信息处理技术赋能于科技成果转移转化,研究应用大数据技术支撑科技成果转化体系中供需对接建设.利用各类高文档频率的特征选择方法,结合数据挖掘技术中的K-NN分类算法,分析并建立匹配模型,通过机器对转化数据进行智能匹配,与转化数据模型建立联系,为成果转化体系建立高效机制.通过利用文本分类系统的召回率指标对实验结果进...     

基于改进决策树算法的设备故障智能诊断模型

提出一种改进决策树智能故障诊断方法.首先构建故障诊断原始决策表,然后对特征数据进行离散化处理;接着利用可辨识矩阵约简算法对决策表进行属性约简;最后利用 G45 算法构造出最优诊断决策树;并对实例进行故障诊断.结果表明:该方法能有效地删除冗余信息,形成精简的决策规则库,提高故障识别速度,具有很强的工程实用性.     

基于数字孪生与k-近邻算法的车间设备运行状态预测研究

由于传统车间设备运行状态预测不能有效利用历史数据进行学习,实时响应能力有限,难以在复杂调度环境中取得良好效果,因此文章提出一种数字孪生与k-近邻算法相结合的车间设备运行状态预测模型。构建车间设备实体在信息空间的数字孪生模型,并建立设备实体与模型之间的映射关系,从而获取实时特征数据,即设备的运行状态特征数据。运用k-近邻算法计算实时特征数据与历史数据之间的欧几里得距离,即计算设备当前运行状态与历史已知状态的相似度,最终通过前k个距离所对应的设备历史运行状态数据,预测设备的当前运行状态。该模型的本质是通过数字孪生的实时数据采集,获取指定设备运行状态特征数据,运用k-近邻算法预测设备的实时运行状态。相较以往研究,本研究贡献在于提高设备实时运行状态预测的准确率。如果将数字孪生、k-近邻算法与具备自我学习能力的相关算法相结合,模型的预测效果会更好。     

近邻样本密度和隶属度加权FCM算法的遥感图像分类方法

针对FCM算法具有对数据集进行等划分趋势的缺陷,利用样本本身的近邻分布特性,提出近邻样本密度加权FCM(NSD-WFCM)、近邻样本隶属度加权FCM( NSM-WFCM)以及近邻样本密度和隶属度加权FCM( NSDM-WFCM)算法,并应用于遥感图像分类.对比FCM算法,NSD-WFCM、NSM-WFCM和NSDM-WFCM算法的总体分类精度和Kappa系数分别提高了5.67％、7.50％和11.17％:8.50％、11.25％和16.75％.实验结果表明:这些加权方法都在一定程度上克服了FCM算法的缺陷,提高了遥感图像的无监督分类能力,其中,NSM-WFCM算法的分类性能优于NSD-WFCM算法的分类性能,NSDM-WFCM算法分类性能最好.     

基于双维度EKNN的滚动轴承早期故障分类算法

为提高对滚动轴承早期故障识别的精确度,提出一种基于混合特征提取的故障分类模型.该模型利用类内紧致性和类间重叠性识别出次优特征组,作为增强K近邻分类器(EK N N)的输入,并以距离和密度双维度计算,得到最大平均分类精确度,进而输出最优早期故障特征组,对未知数据进行分类来检测故障.实验采集滚动轴承在低速运行下的早期故障声...     

基于K最近邻分类的无线传感器网络定位算法

针对无线传感器网络中,大部分节点硬件配置低,缺少自定位能力的问题,提出一种基于K最近邻分类的分布式算法LKNN.将定位问题转换成为分类问题,根据信标节点的位置信息和相距跳数计算节点间的相似度,利用K最近邻(KNN)二分分类横纵坐标,确定未知节点的坐标,经过质点弹簧算法MSO进一步优化节点的估计位置.仿真研究表明,LKNN算法定位过程中,K最近邻算法分类准确度高,质点弹簧算法可以改善边界效应,提高边缘区域节点的定位精度.相比于DV-Hop算法,LKNN定位效果更为理想,尤其是在C形随机分布的不规则网络中,平均误差和误差的标准差减小20％ ～50％.进一步实验结果验证了LKNN算法的有效性和实用性.     

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法.首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集...     

基于振动采用k-近邻法的机器人地形分类

由于地形分类对于提高移动机器人的自治移动性能十分重要,尤其在行星表面探测时尤为突出.在四轮移动机器人左前轮轮臂上安装x,y,z向加速度计和z向传声器,使之在沙、碎石、草、土、沥青地面上分别以6种速度行驶,通过提取车轮与地面相互作用的振动信号来进行地形分类.该方法避免了视觉分类方法受光照变化影响大、易被地形表面的遮盖物蒙蔽的缺陷.对原始信号进行时域幅值分析,采用k-近邻法及投票决策法实现分类,并提出了票数相同情形下的新算法.实验验证了该算法的有效性.     

基于信心论对传统K-means算法改进

随着社会的发展,应用数据挖掘技术的领域越来越多,而K-means聚类分析技术作为数据挖掘领域内作为热门的技术之一,也成为各高校和研究院研究的热点。本文着手于初始聚类中心的选取以及基于信息论对传统K-means算法加以改进,得到了MI-K-means算法,通过大量实验进行验证,不仅能够大大提升聚类结果的准确率,同时,还能够缩短算法的运行时间,提高算法的工作效率。     

点火线圈绝缘故障脉冲分类算法

点火线圈的绝缘故障使发动机扭矩下降、动力不足,影响汽车的驾驶感受与安全性.绝缘故障发生时,点火线圈初级电流和次级电压中0.5～2.5 μs的绝缘故障脉冲中包含故障源的信息.本文提出一种点火线圈绝缘故障脉冲分类算法,根据绝缘故障脉冲特征确定故障类型.首先提取初级电流和次级电压波形中反映各类故障特点的11个原始特征量,用主成分分析法去除特征量间的重叠信息,简化特征量.对前5个主分量进行统一尺度的缩放,减少极端数据对分类结果的影响,使用支持向量机对点火线圈的实际故障进行分类.实验结果表明:相对于BP神经网络算法和标准支持向量机算法,本文的分类算法迭代次数少、时间短.在相同的信噪比环境下,本文算法的分类准确度更高,均方根误差更小.     

基于近邻元分析算法的滚动轴承复合故障诊断

滚动轴承发生复合故障时,由于故障之间的相互耦合效应导致其振动信号特征十分复杂,基于信号处理的故障处理方法往往难以取得理想的结果,智能分类算法是一种行之有效的替代方法.基于上述分析,提出基于近邻元分析法(NCA)的滚动轴承复合故障智能诊断方法.利用常规时域、时频域特征提取方法对滚动轴承不同复合故障振动信号进行特征提取;利用NCA对提取到的特征向量进行分类,取得理想的诊断效果.通过滚动轴承复合故障实验,验证了所述方法的有效性.为突出近邻元方法的优越性,将其分类效果与主成分分析方法(PCA)的分类效果进行对比.对比结果证明:近邻元方法具有更高的分类正确率.     

应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定。针对此问题,本文提出了相关近邻（CN）LLE（CN-LLE）和相关最近邻分类（CNN）算法。提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%,Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类。     

数控设备故障分类及处理方法浅谈

根据数控设备常见故障类型，从机械、电气、液压等方面，阐述故障诊断应遵循的一般顺序及产生故障的原因。提出诊断原则及快速维修方法，可提高维修效率。     

基于粒子滤波与负向选择算法的GIS设备故障检测

为了及早发现故障合理安排设备检修计划,提出一种基于粒子滤波与负向选择算法的GIS故障检测方法。首先,选取GIS设备金属外壳振动信号分形维数作为特征变量,有效削弱了设备负载变化对外壳振动的影响。同时,基于粒子滤波及支持向量回归算法处理设备正常状态下的振动信号分形维数特征样本,建立GIS设备振动特征估计器。将实时测量的振动特征输入特征估计器,计算估计器输入值与输出值之间的残差并作为检测指标。最后,利用负向选择算法处理正常状态下检测指标数据,间接获取GIS故障状态下检测指标区间,进而实现设备故障的检测。通过对现场实际测量数据的仿真分析,验证了所提方法的可行性。     

基于神经网络和高阶统计量的滚动轴承故障分类

提出一种基于高阶统计量特征和BP神经网络相结合的滚动轴承故障分类方法。以滚动轴承的高阶统计量(双谱、三阶累积量)以及一些常见的无量纲指标作为轴承故障特征输入,以BP神经网络作为分类器,成功地对滚动轴承4种不同的故障进行了分类。对比RBF神经网络,尽管BP神经网络的训练速度不快,但分类效果良好。研究表明,高阶统计量和BP神经网络相结合的滚动轴承分类方法是有效的。     

基于近邻传播算法的电力用户负荷曲线聚类分析

电力用户负荷曲线聚类分析是电力数据挖掘中的一个研究热点。负荷曲线聚类之前需对负荷曲线进行标准化处理,现有研究尚没有可以对不同标准化方法下的负荷曲线聚类结果进行评价的指标。提出了一种与标准化方法无关的电力负荷聚类评价指标,首次将近邻传播算法应用在负荷曲线聚类中,并给出了应用聚类结果的建议。算例结果表明:峰值标准化方法具有较好的聚类效果,相对于传统的负荷曲线聚类方法,近邻传播算法具有更好的聚类效果。     

基于SVM和小波的木材纹理分类算法

选用二进正交小波基对木材纹理图像进行多层分解,利用所得到的纹理特征向量分析水平、垂直和对角方向上木材纹理频率分布特点.基于木材纹理的这种频率分布特点,选取能够表达木材纹理特征的一组向量作为SVM分类的特征向量,利用多类SVM分类器对木材纹理样本进行训练和识别分类.实验表明,文中基于SVM和小波的木材纹理分类方法优于传统的分类方法.     

K均值算法实现遥感图像的非监督分类

K均值算法在高光谱遥感影像的非监督分类中具有较强的实用性,表现出了良好的优点.首先采用了最大最小选心法确定初始类别中心,然后使用了K均值算法实现遥感影像的分类.在分类过程中采用了VC 2005作为开发平台,极大地提高了遥感影像的分类速度,同时还给出了实现K均值分类主要步骤的代码.最后在深入分析不同迭代次数下得到的不同分类图的基础上,研究了迭代次数值对最后分类结果的影响.     

炼化企业设备故障分类编码技术应用研究

通过对信息化编码技术的总结和分析,针对炼化企业设备故障管理的自身特点,设计出炼化企业设备故障编码体系,并应用于炼化企业设备综合管理平台,使企业设备故障管理的统计分析能力得到提升。