基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。     

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．     

基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

基于退火遗传算法的传动装置故障征兆识别

提出了将模拟退火算法融合于遗传算法中的组合方案,对传动装置监测信号小波能量谱进行编码,以克服利用BP算法进行样本训练时网络可能会陷入局部极小点的缺点.以某型传动装置监测信号的小波能量谱为训练样本,识别传动装置带有缺损的齿轮的故障征兆.计算结果表明,组合方案能够提高神经网络训练效率和故障征兆识别精度.     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

基于粒子群优化支持向量机神经网络的弹丸落点预报

针对目前弹丸落点预报方法预报时间较长和精度不高的问题,提出了基于粒子群(PSO)优化的支持向量机(SVM)神经网络预测方法。该方法采用PSO优化算法优化SVM训练参数,以获得最优SVM神经网络落点预测模型。在此基础上,使用卡尔曼滤波处理外弹道数据形成神经网络训练数据,进行落点预报仿真测试。仿真结果表明,射程最大误差为7.371m,横偏最大误差为0.886m;落点预报时间在35ms之内,比数值积分法快了一个数量级,为弹丸落点预报的实际应用提供了一种途径。     

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。     

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。     

基于分层聚类的支持向量机模拟电路故障诊断

提出分层聚类与支持向量机集成的算法,以多级二叉树结构的SVM实现故障的分级诊断。根据最大间隔距离原则,对各故障模式电路特征的逐次聚类二分获得二叉树,使每个节点的SVM具有最大分类间隔,减少了误差积累,从而优化了SVM的组合策略。聚类上利用遗传粒子群算法对样本进行聚类。经模拟电路仿真结果显示,该方法与一对一、一对多方法相比,在不影响分类精度下,减少测试时间,降低模型复杂度。     

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。     

融合SVM 的多特征DSST 目标跟踪算法

为解决DSST算法多尺度搜索策略跟踪时目标出现严重遮挡、非刚性形变、目标脱离视场导致的目标外观变化的问题,提出一种将支持向量机(support vector machine,SVM)目标重检测模块融合的算法.提取目标的多种特征然后将这些特征矢量融合以增强目标的特征表达.在DSST算法的位置和尺度滤波器的基础上,新增目标外观滤波器,利用训练好的SVM全局搜索目标.采用不同大小的窗口采样来训练相关模型并建立一个SVM的最优分类面,通过SVM对丢失后的目标进行重检测.实验结果表明,改进算法比DSST算法在对目标受到遮挡、目标非刚性形变等问题上的鲁棒性能均有提高.     

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.     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时,分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导,而且由于学习过程中常采取近似计算,致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量;而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选,最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中,性能评价及分类结果表明,集成SVM比单- SVM具有更好的分类性能,故障诊断准确率更高。     

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.     

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%。     

基于绕封模型的故障特征选择方法研究

在机械故障诊断中,基于原始大特征量的故障状态识别会导致识别精度的下降。特征选择可以去除原始特征中的冗余特征,提高诊断精度。但以前广泛应用的基于过滤模型的特征选择方法不能满足进一步提高精度的要求。针对此问题,提出使用基于绕封模型的故障特征选择方法,它采用遗传算法对特征集寻优,样本划分法进行错误率预测估计和BP神经网络学习算法进行分类。轴承诊断实例证昵,此方法有较好的寻优特征子集的能力,可以提高系统的诊断精度。     

遥控指令弹道修正弹外弹道最优预测模型

根据遥控指令弹道修正弹的外弹道数据特点，在广义Kalman数据估计的基础上，提出了一种基于弹道扰动噪声估计的弹道修正弹外弹道最优预测模型。该方法摆脱了对于弹道状态方程中发射前扰动噪声数据的依赖，避免了由于扰动噪声非实时性估计而产生的计算误差。文中把弹道扰动噪声分为常值噪声和均值为零的高斯白噪声，并对噪声估计的准确性进行了详细的定量分析。根据对遥控指令弹的观测段弹道扰动噪声估计的结果，改进了观测段的弹道估计算法，降低了计算量，提高了非观测段弹道预测的精度。仿真计算结果验证了文中模型的正确性。     

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%。