基于HHT与LSSVM的远区核爆电磁脉冲识别

为实现远区核爆电磁脉冲（NEMP）和闪电电磁脉冲（LEMP）的有效识别,提出一种基于希尔伯特黄变换（HHT）和最小二乘支持向量机（LSSVM）的识别算法。采用希尔伯特黄变换对远区NEMP和LEMP进行分析,利用两种信号的Hilbert谱在不同频带上分布的差异性,选择谱图中两个区域的能量占比作为信号的特征,选择LSSVM作为分类器进行分类识别。实验结果表明,采用能量占比特征可有效识别NEMP和LEMP,且综合识别率可达到98.59%。     

基于LSSVM和RFID的智能门禁身份认证系统设计

针对目前已有的基于RFID的身份识别系统,往往仅从系统角度来设计系统,没有和计算机视觉技术结合,从而无法进一步提高安全性能。为了解决此问题,文中设计了一种基于LSSVM(Least Square Support Vector Machine, LSSVM)和RFID(Radio Frequency Identification, RFID)的智能门禁身份认证系统。首先,设计了系统总体框架并描述了身份认证原理。然后,对系统的RFID子系统,微处理器和接口均进行了详细设计和描述,在此基础上,将计算机视觉技术加入到识别过程中,采用多层RBM组成的深度神经网络对人脸进行自动特征提取,通过比较差异算法训练深度神经网络,最后,根据RFID标签和提出的人脸特征,采用多个LSSVM进行人脸识别,并将投票结果作为最终识别结果。通过部署实验进行测试,结果证明文中设计的系统能实时有效地对智能门禁进行身份认证,与其它方法相比,具有识别率高和识别效率高的优点,具有较大的优越性。     

基于PSO优化LSSVM的未知模型混沌系统控制

由于混沌系统存在非线性、不确定性等特点, 常规的控制方法难以获得满意的结果. 提出一种基于PSO优化LSSVM模型参数的混沌系统控制方法. 该方法利用PSO算法的收敛速度快和全局收敛能力, 优化LSSVM模型的惩罚因子和核函数参数, 避免了人为选择参数的盲目性, 提高了LSSVM模型的预测精度. 另外, 该方法不需要被控混沌系统的解析模型, 且当测量噪声存在情况下控制仍然有效. 仿真实验结果表明了该方法的有效性和可行性. 关键词： 混沌系统控制 粒子群算法 最小二乘支持向量机     

基于小波分析的ARIMA与LSSVM组合的高炉煤气预测

高炉煤气发生量的准确预测对钢铁企业能源优化调度具有重要意义。针对钢铁企业中基于机理模型的高炉煤气发生量难以准确预测问题,建立了基于小波分析的最小二乘支持向量机(LSSVM)和自回归差分滑动平均(ARIMA)相结合的高炉煤气预测模型。预测前利用小波去噪对原始数据进行消噪处理,并对处理后的数据进行小波变换得到趋势序列和波动序列,然后对各部分序列分别建模和预测,最后将各部分预测结果叠加;仿真结果表明,组合预测模型减小了预测误差,提高了预测精度。与其他模型相比,组合预测模型更适合高炉煤气预测。     

基于LSSVM的电子装备故障预测研究

针对电子装备的故障信息不足,故障发生率高等特点,通过故障预测有效的监测设备故障状态以及发展趋势,实现对设备的事先维修,避免重大事故的发生,提高电子设备的安全性。对电子装备故障预测进行了分析,提出了一种基于最小二乘支持向量机（LSSVM）的故障预测方法。首先介绍了LSSVM故障预测算法的基本原理和预测流程;然后,对整个电子装备的故障预测研究可以从一个类似的模拟带通滤波器电路故障预测研究出发,将该元件容差设为不同范围来定义电路的不同故障状态,将LSSVM方法与最小二乘法、支持向量机法对电路的不同状态进行预测,可以得到不同状态的预测值,研究结果表明提出的方法能够实现模拟电路的缓变故障预测,且预测效果较好。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

基于最小二乘支持向量机的混沌控制

利用支持向量机良好的非线性函数逼近和泛化能力，提出基于最小二乘支持向量机非线性补偿的混沌控制新方法.应用最小二乘支持向量机离线辨识混沌系统的非线性部分，并用辨识模型补偿系统的非线性，同时应用线性状态反馈控制混沌系统.对三种典型连续混沌系统的仿真研究表明，提出的控制方法可以有效的控制混沌系统到达设定的目标状态，并且由线性状态反馈控制器构成的闭环系统稳定. 关键词： 混沌控制 支持向量机 最小二乘支持向量机 状态反馈 稳定性     

基于改进ABC的LSSVM氧化还原电位预测研究

针对氧化还原电位对于生物氧化提金预处理过程的控制和优化具有重要作用,提出了一种基于改进的ABC算法优化最小二乘支持向量机的预测方法。该算法是在标准人工蜂群算法的基础上,通过引入欧氏距离,使得在一定邻域内观察蜂采用不同于雇佣蜂的搜索策略。采用改进的ABC算法优化最小二乘支持向量机的参数,取得最优解并赋予最小二乘支持向量机进行预测。以新疆某金矿的生产数据进行仿真研究,结果表明：基于改进的ABC算法优化的最小二乘支持向量机具有较高的预测精度,该方法能使模型取得较好的预测效果。     

基于LBP和PCA机器学习的手势识别算法

为解决听力障碍者与无障碍者的信息交流问题,对哑语手势自动识别技术进行研究。提出了一种改进的手势识别算法。首先通过YUV肤色分割、图像差分、连通域检测等算法进行预处理,获取完整的手型区域图像。然后对手型的二值图像进行轮廓检测,采用LBP变换与主成分分析进行特征提取与压缩。最后运用支持向量机的机器学习算法构建分类器,对哑语手势进行分类识别。通过对630张手势图像进行实验,结果表明,提出的算法有效提高了识别率与速度,识别率达到94.22%,速度达到0.29s/幅,可以满足哑语交流的实时性要求。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

Rolling Bearing Fault Diagnosis Based on WOA-VMD-MPE and MPSO-LSSVM

In order to further improve the accuracy of fault identification of rolling bearings, a fault diagnosis method based on the modified particle swarm optimization (MPSO) algorithm optimized least square support vector machine (LSSVM), combining parameter optimization variational mode decomposition (VMD) and multi-scale permutation entropy (MPE), was proposed. Firstly, to solve the problem of insufficient decomposition and mode mixing caused by the improper selection of mode component K and penalty factor α in VMD algorithm, the whale optimization algorithm (WOA) was used to optimize the penalty factor and mode component number in the VMD algorithm, and the optimal parameter combination (K, α) was obtained. Secondly, the optimal parameter combination (K, α) was used for the VMD of the rolling bearing vibration signal to obtain several intrinsic mode functions (IMFs). According to the Pearson correlation coefficient (PCC) criterion, the optimal IMF component was selected, and its optimal multi-scale permutation entropy was calculated to form the feature set. Finally, K-fold cross-validation was used to train the MPSO-LSSVM model, and the test set was input into the trained model for identification. The experimental results show that compared with PSO-SVM, LSSVM, and PSO-LSSVM, the MPSO-LSSVM fault diagnosis model has higher recognition accuracy. At the same time, compared with VMD-SE, VMD-MPE, and PSO-VMD-MPE, WOA-VMD-MPE can extract more accurate features.     

基于小波包分解和EMD-SVM的轴承故障诊断方法

针对轴承振动信号具有的非平稳和故障诊断样本数据难以按需获取的问题,设计了一种基于小波包分解和EMD-SVM的故障诊断方法。首先,采用Mallat塔式算法对信号进行降噪,实现信号的小波分解,获得重构后的故障诊断子频带信号。然后,在经典的EMD算法的基础上定义了改进的EMD算法,采用改进的EMD算法对经过小波包降噪的故障诊断子频带信号进行特征提取,从而获得故障诊断特征向量。最后,采用适合小样本分类的SVM进行故障诊断,将经过小波包降噪和EMD特征提取的样本数据用于训练SVM,得到用于故障诊断的多个二分类SVM故障诊断模型,通过投票机制来确定样本数据最终对应的故障诊断类别。在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中基于小波包和EMD-SVM的方法一种适用于小样本的故障诊断方法,且与其它方法相比,具有诊断效率高和精度高的优点。     

基于近红外光谱和最小二乘支持向量机的聚丙烯酰胺类型鉴别

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法,能够快速、无损鉴别聚丙烯酰胺的三种类型。获取非离子,阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱,用主成分分析方法对样本光谱数据进行降维,并提取主成分。基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析,并将主成分作为最小二乘支持向量机的输入。通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。每种类型聚丙烯酰胺各采集60个样本,共采集180个样本,每种类型样本随机选取45个样本,共135样本作为训练样本集,剩余45个样本作为测试集。为了验证该方法能否鉴别掺假样本,制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。结果表明,预测测试集时,准确率为100%。预测10个混和样本时,所有混合样本都被准确识别出。说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力,为聚丙烯酰胺类型的快速鉴别提供了一种新方法。     

基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法。首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别。在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。     

Sorting algorithms for single‐particle imaging experiments at X‐ray free‐electron lasers

Modern X‐ray free‐electron lasers (XFELs) operating at high repetition rates produce a tremendous amount of data. It is a great challenge to classify this information and reduce the initial data set to a manageable size for further analysis. Here an approach for classification of diffraction patterns measured in prototypical diffract‐and‐destroy single‐particle imaging experiments at XFELs is presented. It is proposed that the data are classified on the basis of a set of parameters that take into account the underlying diffraction physics and specific relations between the real‐space structure of a particle and its reciprocal‐space intensity distribution. The approach is demonstrated by applying principal component analysis and support vector machine algorithms to the simulated and measured X‐ray data sets.     

Rolling Bearing Fault Diagnosis Based on VMD-MPE and PSO-SVM

The goal of the paper is to present a solution to improve the fault detection accuracy of rolling bearings. The method is based on variational mode decomposition (VMD), multiscale permutation entropy (MPE) and the particle swarm optimization-based support vector machine (PSO-SVM). Firstly, the original bearing vibration signal is decomposed into several intrinsic mode functions (IMF) by using the VMD method, and the feature energy ratio (FER) criterion is introduced to reconstruct the bearing vibration signal. Secondly, the multiscale permutation entropy of the reconstructed signal is calculated to construct multidimensional feature vectors. Finally, the constructed multidimensional feature vector is fed into the PSO-SVM classification model for automatic identification of different fault patterns of the rolling bearing. Two experimental cases are adopted to validate the effectiveness of the proposed method. Experimental results show that the proposed method can achieve a higher identification accuracy compared with some similar available methods (e.g., variational mode decomposition-based multiscale sample entropy (VMD-MSE), variational mode decomposition-based multiscale fuzzy entropy (VMD-MFE), empirical mode decomposition-based multiscale permutation entropy (EMD-MPE) and wavelet transform-based multiscale permutation entropy (WT-MPE)).     

列车防滑器主机故障诊断系统设计

SAB型列车防滑制动系统应用于国内T型列车,数量多,为了提高列车防滑器主机故障检测和维修效率,针对SAB WABCO公司的SWKAS20C型列车防滑器主机,设计了元件级故障检测与定位专家系统。通过研究模拟电子电路故障诊断技术,设计了基于支持向量机的多故障分类器,用于主机模拟电路故障样本数据的训练和测试,并通过改进算法寻优向量机参数,提高了故障诊断的准确度。搭建了模拟列车运行环境的测试平台,用以模拟主机在多种状态下的故障模式;使用VS2010开发环境编写了MFC专家系统。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

Misalignment Fault Prediction of Wind Turbines Based on Improved Artificial Fish Swarm Algorithm

A misalignment fault is a kind of potential fault in double-fed wind turbines. The reasonable and effective fault prediction models are used to predict its development trend before serious faults occur, which can take measures to repair in advance and reduce human and material losses. In this paper, the Least Squares Support Vector Machine optimized by the Improved Artificial Fish Swarm Algorithm is used to predict the misalignment index of the experiment platform. The mixed features of time domain, frequency domain, and time-frequency domain indexes of vibration or stator current signals are the inputs of the Least Squares Support Vector Machine. The kurtosis of the same signals is the output of the model, and the 3σ principle of the normal distribution is adopted to set the warning line of misalignment fault. Compared with other optimization algorithms, the experimental results show that the proposed prediction model can predict the development trend of the misalignment index with the least prediction error.