提出了一种用支持向量机热电偶校正非线性误差的原理和方法.该算法只依据样本就可以正确辩识热电偶逆模型特征,而不需关于逆模型函数形式的任何先验知识,并将原问题转化为一个凸二次优化问题,能够保证找到的极值解就是全局最优解,具有较好的泛化能力.最后通过对K型分度号镍铬-镍硅的热电偶进行非线性校正的应用表明,该算法可取得较好的效果.

为了建立高精度的三坐标测量机相关性动态误差修正模型,应用偏最小二乘回归法和支持向量机研究动态误差混合建模方法,分析了三坐标测量机的动态误差来源及特点,介绍了偏最小二乘回归法和支持向量机的基本原理及算法,编制了相应的混合建模软件。应用双频激光干涉仪设计了测量机动态误差实验装置,进行了相应的误差分离实验。应用偏最小二乘法确定测量机动态误差主要影响因素,得出坐标变量y、z和x是主要影响因素、测量速度v是次要影响因素的结论。结合主要影响因素分析结果,应用支持向量机和动态误差实验数据建立了测量机的空间动态误差模型,并进行比对和验证,应用混合建模方法建立的修正模型精度可以达到±0.02μm,高于未利用偏最小二乘法±0.75μm的建模精度,完全可以用于三坐标测量机相关性动态误差的高精度建模。

在文本分类中，应用支持向量机（SVM）算法能使分类在小样本的条件下具有良好的泛化能力。但支持向量机的参数取值决定了其学习性能和泛化能力。为提高支持向量机算法的性能，提出了一种采用免疫算法对支持向量机参数进行优化的文本分类算法（IA—SVM）。算法减少了对支持向量机参数选择的盲目性，提高了SVM的预测精度。实验表明，IA—SVM算法在文本分类问题上明显提高了分类正确率，学习速度也有提高。

针对地球观测系统／中分辨率成像光谱仪影像资料中的云检测工作，提出了基于支持向量机SVMs（support vectormachines）的遥感影像分类方法。分析了云检测过程中的特征提取和选择，建立了基于支持向量机的遥感影像分类模型，并针对陆地、海洋2种不同的下垫面进行了云检测试验。云检测结果中，云与陆地、水体、积雪准确地区分开来。结果表明，特征选择对云检测起到了积极的作用，同时也证明了支持向量机方法在遥感影像分类中的优势。

现代化机械设备在工业生产中起着越来越重要的作用,然而,各种大型机械设备的故障发生率随着运转时间的增加也越来越高,且故障发生较为隐蔽且难以监测。于是,为对机械液压传动系统故障进行较为精确的检测,研究应用了基于SVM的检测方法,并对其预测性能进行了分析。研究结果表明,对传统SVM模型的核函数参数进行优化后,其与真实值的拟合效果较好。同时,将SVM算法模型与其他四种同类型的模型进行对比分析,发现SVM算法模型的故障预测准确率最高,其平均准确率最高为0.924,且均方误差最小,其值为0.015。此外,相同条件下SVM算法模型的训练时间更短,效率更高。其优异的性能对于机械液压传动系统故障预测能够起着重要的作用。

为了进一步提升三电平逆变器的可靠性,提出一种利用三维图形进行故障特征提取的方法。以T型逆变器为研究对象,通过测量T型逆变器输出的各相电压,得到A、B、C三相电压波形,利用三相电压绘制三维椭圆环,通过计算三维椭圆环的质心、平均半径以及偏差向量的平均值和标准差来获得故障特征值;为了提升故障诊断的准确性,利用哈里斯鹰优化算法优化支持向量机分类器参数并进行故障诊断,从而实现对T型三电平逆变器单管及双管故障的准确诊断。通过仿真

为了进行工程机械用液压马达剩余寿命预测,基于容积效率、Wiener过程以及支持向量机回归,提出一种剩余寿命预测方法。开展液压马达全寿命试验,运用非线性支持向量机回归算法处理原始数据,基于极大似然估计法和贝叶斯更新策略建立Wiener过程模型,完成液压马达剩余寿命预测。结果表明:液压马达容积效率随冲击次数变化有明显下降趋势;非线性支持向量机回归在考虑退化数据随机性的基础上提高了规律性;基于Wiener过程的剩余寿命预测方法能够准确、可

通过将经验模态分解(EMD)和AR功率谱参数估计模型相结合,提出一种基于EMD-AR谱估计提取频带能量特征的方法。对振动信号进行经验模态分解,并将分解后能量占比较大的前几组固有模态函数分别进行AR谱估计得到EMD-AR谱曲线;按照频带对EMD-AR谱曲线分段并分别对每一段的能量进行求和,归一化后作为特征值。搭建齿轮箱故障试验平台,采集振动信号进行EMD-AR谱频带能量特征提取,并将所得特征值输入到SVM中进行训练和诊断。结果表明:该特征提取方法结合SVM所得

提出了一种基于支持向量机的往复压缩机示功图识别方法。根据不同故障在示功图上反映的不同特征,进行故障特征提取。针对实际故障发生情况,构造了基于决策树的多分类支持向量机故障识别模型。使用不同核函数对计算机模拟与往复压缩机试验台实测的故障示功图进行识别,结果表明,该方法能有效应用于往复压缩机示功图故障识别。

液压泵是液压系统的动力源，它的失效直接影响系统的正常工作，因此液压泵的状态监测与故障诊断是迫切需要解决的问题。阐述了支持向量机（SVM）算法的原理，研究了基于支持向量机的液压泵的故障诊断，通过分析，选择了恰当的核函数，建立了优化方程。试验分析的结果表明，该方法是一种简单而有效的方法。