没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
1. 聚类分析和支持向量机相结合的混合预测模型...........................................................2
2. 面向旋转机械的支持向量机故障智能诊断方法及实验研究.......................................3
3. 基于粗糙模糊和模糊粗糙聚类的支持向量机...............................................................4
4. 基于粗糙集和支持向量机的汽轮机振动故障诊断研究...............................................5
5. 基于聚类和模糊支持向量机的变压器故障诊断研究...................................................6
6. 无监督聚类算法和支持向量机及其应用研究...............................................................7
7. 最小生成树平滑支持向量机聚类算法研究及其应用...................................................8
8. 基于模糊聚类的支持向量机的分类算法研究...............................................................9
9. 基于粗糙模糊和模糊粗糙聚类的支持向量机.............................................................10
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
水力机组无线振动监测及支持向量机故障诊断系统研究.....................................11
基于 SVM 的多类文本分类算法及其应用研究......................................................12
基于自组织数据分析算法的加权支持向量机.........................................................13
面向旋转机械的支持向量机故障智能诊断方法及实验研究.................................14
基于支持向量机的旋转机械故障诊断方法研究.....................................................15
聚类分析和支持向量机相结合的混合预测模型.....................................................16
基于支持向量机的挖掘机故障诊断系统的研究.....................................................17
基于线阵的钢绳芯输送带无损检测系统设计.........................................................18
钢丝绳缺陷漏磁场的有限元仿真研究.....................................................................19
钢丝绳故障的弱磁无损检测技术研究.....................................................................20
基于弱磁的钢丝绳断丝检测磁特性研究分析.........................................................21
X 光强力输送带无损检测系统通信和图像处理软件的研究.................................22
带式输送机动态张紧装置的设计与研制.................................................................23
钢丝绳拉力智能检测系统研究.................................................................................24
1. 聚类分析和支持向量机相结合的混合预测模型
Hybrid Hypothes is Model Based on Combination of Clu
【学位授予单位】辽宁师范大学;
Factor analysis; Cluster analysis; Support vector machines; Classificatio
n;
支持向量机(Support Vector Machines,简称 SVMs)是建立在统计学习理论的 VC(V
apnik-Chervonenkis)维理论和结构风险最小化原理基础上的一种机器学习方法。支持
向量机在解决实际应用中的小样本问题时具有较大的优势,较好地解决了以往困扰很多
学习方法的小样本、非线性、过拟合、高维数、局部极小点等实际问题。如果仅从分类
的角度来说,支持向量机是一种广义的线性分类器,它是在线性分类器的基础上,引入结构
风险最小化原理、最优化理论和核函数方法深化而成的。当前基于支持向量机的模型得
到了越来越多的重视和应用。但由于支持向量机最初是针对二分类问题提出的,因此如何
将其推广到多类分类问题上就是一个很值得深入研究的问题。聚类分析方法是一种被广
泛应用的且很有效的分类方法,它是利用多元统计分析的基本原理,对一批样本进行分类
处理的数学方法。其基本思路是将一批样本或变量,按照它们在性质上的亲疏程度进行分
类,把样本看成是 m 维空间的一个点。在 m 维坐标中,定义点与点之间的某种距离,通过
距离的远近把样本分成若干类别。 因此,本文放弃了以往的只采用聚类分析或支持向量
机来分类的方法,在分别介绍了聚类分...
Support vector machines (SVMs) is a method of machine learning based
on VC dimension and structural risk minimization principle of the statis
tical learning theory. SVMs has advantages in solving small sample size
problems in practical applications. It also well solves large number of pr
actical problems such as small sample, nonlinear, over learning, high di
mensional and local minimum point. These problems exist in many learn
ing methods. From the point of classification, SVMs is a generalized line
ar classifi...
2
2. 面向旋转机械的支持向量机故障智能诊断方法及实验研究
【学位授予单位】
【学科专业名称】
【学位年度】
【网络出版投稿人】
Support Vector Machine; Fault Diagnosis; Multi-class; Parameters
Optimization of Kernel Function; Incremental Learning;
目前,故障智能诊断面临的主要难题是典型故障样本的严重不足和诊断知识的发
现问题,两者都严重制约着机械故障智能诊断的发展。由于支持向量机具有许多独
特的优势,特别是针对小样本情况所表现出来的优良性能,目前已成为机械故障诊
断领域的研究热点之一。本文围绕支持向量机在机械故障诊断领域的应用研究,
就多故障分类器模型的建立、故障特征提取、核函数的参数优化、以及增量学习
等关键问题进行了研究。本文主要包括以下几方面内容: 1、论述了课题研究的背
景和意义;综述了支持向量机的理论研究和应用发展;分析了支持向量机应用于机
械故障诊断领域的可行性、优势及存在的不足;最后给出了本文的主要研究内容。
2、以 Bently 转子试验台模拟的典型故障为诊断对象,研究了运用小波包分解提
取故障特征的方法。 3、针对标准支持向量机不能直接用于解决故障诊断这种典
型多值分类问题的困难,本文提出采用基于聚类思想的二叉树多类分类算法来建
立多类故障分类器模型。 4、故障分类器的分类性能与支持向量机核函数参数有
很大的关系,本文研究了以 Fisher 判别函数为目标函数的核函数参数优化原理,提
出了基于 Fisher 判别准则和粒子群优化算法相结合...
Recently, the dominating difficulties that fault intelligent diagnosis
system faces, are terrible lack of typical fault samples and finding
problem of diagnosis knowledge, both of which badly prohibit the
development of machinery fault intelligent diagnosis. As the suppo
rt vector machine has many unique advantages, particularly the e
xcellent performance demonstrated for small samples of situation,i
t has become one of the hot spots of the study of mechanical faul
t diagnosis.According to key problems of suppo...
【DOI】
CNKI:CDMD:2.2010.020084
3
3. 基于粗糙模糊和模糊粗糙聚类的支持向量机
Support Vector Machine Based on Rough Fuzzy and
Fuzzy Rough Clustering
【学位授予单位】
【学科专业名称】
【学位年度】
【网络出版投稿人】
国家自然科学;河北省自然科学;教育部科学技术研究;
粗糙模糊 K-均值聚类; 模糊粗糙 K-均值聚类; 支持向量机; 模糊隶属度;
Rough fuzzy K-mean clustering; Fuzzy rough K-mean clustering; S
upport vector machine; Fuzzy membership;
在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,首先,给出了一
种改进的粗糙模糊 K-均值聚类算法;其次,设计了一种新的模糊粗糙 K-均值聚类
算法,并验证了该聚类算法的有效性;进而将这两种聚类算法应用到支持向量机
中,对训练样本做预处理,以减少样本数目,提高其训练速度和分类精度。最后,在考
虑样本紧密度的基础上,提出了一种新的模糊隶属度的确定方法,构建了一种新的
模糊支持向量机。实验结果显示该方法可以给非支持向量赋予很小的隶属度,降低
其对分类面的影响。同时,又能确保支持向量有较大的隶属度,提高模糊支持向量
机的分类精度。
The shortcomings of the original clustering methods are analyzed.
Moreover, the rough theory and fuzzy theory are combined togeth
er. Firstly, the improvement of rough fuzzy K-means clustering alg
orithm is given. Secondly, a fuzzy rough K-means clustering algori
thm is designed, and the validity of fuzzy rough K-means clusterin
g algorithm is verified. The proposed clustering algorithms are app
lied to support vector machine. In the above applications, the trai
ning samples are pre-processed to reduce the number...
【DOI】
CNKI:CDMD:2.2010.208167
4
4. 基于粗糙集和支持向量机的汽轮机振动故障诊断研究
Vibration Fault Diagnosis of Steam Turbine Generat
ing Unit Based on Rough Set and Support Vector M
achine
【学位授予单位】
【学科专业名称】
【学位年度】
华北电力大学(河北);
控制理论与控制工程
2009
【网络出版投稿人】
汽轮机振动; 故障诊断; 粗糙集; 支持向量机;
turbine vibration; fault diagnosis; rough set; support vector machi
ne;
粗糙集理论是一种处理模糊和不精确性问题的新型数学工具,在数据挖掘、机器学
习、决策支持系统和模式识别等领域得到了广泛应用。本文以常见的汽轮机振动
故障为研究对象,介绍了汽轮机振动故障诊断系统的一般体系结构,总结了汽轮机
常见振动故障的典型征兆信息。引用粗糙集理论中属性约简的概念来简化机组振
动故障的频率特征,采用支持向量机分类的方法对机组振动故障进行诊断。研究基
于粗糙集理论和支持向量机的汽轮机振动故障诊断方法并提出了推理方法,最后
通过一个故障诊断实例,证明了基于粗糙集理论和支持向量机的汽轮机振动故障
诊断的有效性。
Rough set theory is a new mathematical means to deal with vagu
eness and uncertainty. It has been used in many fields such as d
ata mining, machine learning decision support system and pattern
recognition. This paper studied common steam turbine vibration f
aults and introduced the general architecture of the steam turbine
vibration fault diagnosis system and summed up the typical fault
premonition information of the common turbine vibration fault. Qu
oted in the concept of attribute reduction in the rough set ...
【DOI】
CNKI:CDMD:2.2009.169687
5
剩余23页未读,继续阅读
资源评论
xxpr_ybgg
- 粉丝: 6532
- 资源: 3万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功