An intelligent approach for engine fault diagnosis based on Hilbert–Huang transform and support vector machine

Based on the techniques of Hilbert–Huang transform (HHT) and support vector machine (SVM), a noise-based intelligent method for engine fault diagnosis (EFD), so-called HHT–SVM model, is developed in this paper. The noises of a sample engine under normal and several fault states are first measured and denoised by using the wavelet packet threshold method to initially lower the noise level with negligible signal distortion. To extract fault features of the engine, then, the HHT is selected and applied to the measured noise signals. A nine-dimensional vector, which consists of seven intrinsic mode functions (IMFs) from the empirical mode decomposition (EMD), maximum value of HHT marginal spectrum and its corresponding frequency component, is specified to represent each engine fault feature. Finally, an optimal SVM model is established and trained for engine failure classification by using the fault feature vectors of the noise signals. Cross-validation results show that the proposed noise-based HHT–SVM method is accurate and effective for engine fault diagnosis. Due to outstanding time–frequency characteristics and pattern recognition capacity of the HHT and SVM, the newly proposed HHT–SVM can be used to deal with both the stationary and nonstationary signals, and even the transient ones. In the view of applications, the HHT–SVM technique may be suggested not only to detect the abnormal states of vehicle engines, but also to be extended to other fields for failure diagnosis in engineering.     

A framework for classification with single feature kernel matrix

In this paper, we propose a novel classification framework using single feature kernel matrix. Different from the traditional kernel matrices which make use of the whole features of samples to build the kernel matrix, this research uses features of the same dimension of any two samples to build a sub-kernel matrix and sums up all the sub-kernel matrices to get the single feature kernel matrix. We also use single feature kernel matrix to build a new SVM classifier, and adapt SMO (Sequential Minimal Optimization) algorithm to solve the problem of SVM classifier. The results of the experiments on several artificial datasets and some challenging public cancer datasets display the classification performance of the algorithm. The comparisons between our algorithm and L₂-norm SVM on the cancer datasets demonstrate that the accuracy of our algorithm is higher, and the number of support vectors selected is fewer, indicating that our proposed framework is a more practical approach.     

基于SVM集成学习的网络故障诊断方法

针对现有SVM多分类方法在网络故障诊断中识别精度较低的问题,本文提出一种基于二叉树结构和模型二重扰动的SVM集成学习算法。通过集成学习思想提高网络故障诊断的精度。在集成过程中对二叉树结构和核参数进行扰动,加大个体分类器的差异度,提升了诊断模型的泛化性。在实际网络中的诊断实验表明所提的方法较二叉树等其它SVM多分类方法具有更高的诊断精度。     

基于信息熵的粮食干燥塔温度预测控制

针对混流式粮食干燥塔生产过程中,物理化学变化复杂,温度变化呈现的非线性和滞后性,难以准确检测的问题,提出了一种基于信息熵的温度预测方法;首先分别采用支持向量机和灰色预测独立建立第一降速段的温度模型;利用加权方法对两种模型进行集成,最后利用信息熵算法,对加权因子进行优化,提升模型的预测精度;运行结果表明干燥后的稻谷含水量与设定值误差从原来的±24.7%,降低至8.5%,验证本方法在实际生产中的有效性。     

一种图像多级分类方法

为了满足不同的图像分类需求,并考虑到单一显著特征能快速准确地分类差别大的图像,提出了图像多级分类方法.分析研究了多种特征提取方法,确定了各底层视觉特征的提取方法,以不同的特征向量作为SVM的输入对图像进行比较,研究不同的图像特征对图像分类的影响.通过实验验证,利用多级分类思想进行粗分类后,缩小了需要再进行细分类的图像范围,避免了不相关图像的干扰,使得多级分类方法的整体分类正确率较传统的单级分类方法得到有效提高.     

一种鲁棒的基于深度数据的行为识别算法

人体行为识别在视频监控和人机交互中具有重要应 用,利用深度数据进行行为识别是近年兴起的技术,并取得了一定的进展,但还没有一个公 认的、鲁棒性好的行为描述方法,且性能有待提高。针对以上问题,本文提出了3种鲁棒的、深度数据上的行为描述方法,并结合支持向量机(SVM)分类器在两个公开的且具 有挑战性的深度数据集上对 它们进行评估。实验结果表明,本文提出的行为描述方法具有较好的区分性和鲁棒性,其性 能比一些先进的且具有代表性的算法性能更好。     

基于MQDF的车牌字符识别

文中提出了一种新的基于MQDF的车牌字符识别算法,该算法在QDF的基础上进行K-L变换,并且用常量代替小的特征值改善计算速度和分类的正确率。该方法基于统计模型和中心极限定理,便于设计和实现,广泛应用于手写体识别,具有很好的鲁棒性和较高的识别准确率。用2142幅白天、晚上的蓝牌、黄牌车牌图像做实验,实验结果表明,对于数字、字母、汉字字符,平均识别率达到98%以上,具有较好的应用前景。     

柔性机构动态可靠性分析的新方法

为了改善柔性机构动态可靠性分析的效率和精度,基于支持向量机SVM(Support Vector Machine)回归理论,提出了一种柔性机构动态可靠性分析高效率高精度的SVM回归极值法SREM(SVM Regression Extremum Method)。首先,介绍了柔性机构可靠性分析的基本理论;其次,融合蒙特卡洛法MC(Monte Carlo)和SVM回归理论,建立了柔性机构动态响应极值的代理模型,并利用代理模型进行柔性机构可靠性分析。最后,利用SREM法对柔性机构实例进行了可靠性分析,并与MC和人工神经网络ANN(Artificial Neural Networks)的分析结果进行比较。结果显示,在小样本情况下,进行柔性机构动态可靠性分析时,SREM的计算效率和计算精度都比ANN高;SREM的计算效率比MC大大提高,计算精度与MC相当。验证了在柔性机构可靠性分析中SREM的高效率和高精度,并证明了SREM在柔性机构可靠性分析中的可行性和有效行性。     

基于多特征联合处理的灵巧噪声干扰识别

灵巧噪声干扰已成为一种作用于新体制相参雷达的重要干扰类型.为了有效抑制该类干扰,提出一种基于多维特征的抗干扰方式.通过分析DRFM产生灵巧噪声干扰原理,建立目标与干扰信号模型;在分析对比两类信号特性的基础上,提取包络起伏参数、相位门限内概率及盒维数特征以表征目标与干扰信号在波形、相位及尺度信息上的差异;为了进一步提高干扰识别性能,加入表征信号复杂度的近似熵特征,分析表明该特征因子对噪声具有较强的鲁棒性;最后采用支撑向量机对提取的多维特征进行处理以实现灵巧噪声干扰的识别对抗.仿真实验表明,该方法对目标和干扰的正确识别率高且基本不受干噪比影响.     

基于紫外拉曼光谱的转基因大豆油快速识别方法研究

转基因技术对实现作物增产增质,降低农药使用量,降低生产成本等具有重要作用,但对生态环境也存在一定的潜在威胁。为了防止转基因大豆在食品化中的滥用,对转基因产品快速鉴别技术的研究尤为迫切。紫外拉曼光谱检测技术具备外场远距离无损遥测检测,简单高效,快速准确等优点,可有效用于物质遥测鉴别领域。基于紫外拉曼光谱的转基因/非转基因大豆油以及与其他类别食用油鉴别方法,采集了五种不同食用油(两种品牌转基因/非转基因大豆油各500组样本和一种稻米油100组样本,共2 100组样本)在3 500~400 cm-1(268~293 nm)范围内的日盲紫外拉曼光谱信息,为提高光谱数据的信噪比并保证分类识别的准确性,对上述光谱数据采用Savitzky-Golay滤波降噪、基于自适应迭代加权惩罚最小二乘法(airPLS)的基线校正以及多元散射校正(MSC)的光谱数据修正等预处理。根据大豆油的紫外拉曼指纹图谱,分析出主要化学成分包含脂肪类、蛋白质类、酰胺类。将每种大豆油样本按1∶1划分为训练集和测试集,输入训练集数据至支持向量机(SVM)进行训练,采用10折交叉验证建立最佳模型,识别准确率达99.81%,对转基因大豆油的判别效果显著;采用主成分分析法(PCA)进行数据降维处理,提取出8个主成分,累计贡献率为74.84%,可代表大部分原始数据特征。在此基础上,将预处理后的光谱数据按4∶1划分为训练集和测试集,采用偏最小二乘回归判别分析方法(PLS-DA),结合10折交叉验证法建立全谱的最佳PLS-DA模型(判别阈值设置为0.5),判别准确率达到70.95%。研究表明,紫外拉曼光谱分析方法可较为准确地鉴别非转基因/转基因大豆油,同时可鉴别大豆油与稻米油,实现对转基因大豆食品的快速无损鉴别,可望成为转基因大豆油及其食品的现场检测新的技术途径,对推动转基因产品遥测鉴别技术的发展具有进步意义。