一种具有特征有效度的模糊支持向量机

合集下载

基于聚类粒度的模糊支持向量机

ａｇｒｈｌｏｔｍ．Ｂａｅｎｔｅｉｆｒｔｎｏｌｓｅｎｒｎｌｒｔｓｎｌｄｎｌｓｒｇｃｎｅ，ｃｕｔｒｎａｉｓａｄｔｅｎｍｂｒｏｉｓｄｏｈｎｏｍａｉｆｃｕｔｒｇｇａｕａｉｅ，ｉｃｕｉｇｃｕｔｉｅｔｒｌｓｅｇｒｄｕｎｈｕｅｆｏｉｉｅｎｉ
ｓｍｐｅｃｎａｎｄｉｌｓｒｎ，ｅｇ－ａｌｓｎｄｉｔｒｅｔｎｓｍｐｅｅｆｕｄｗｉｉａｈｃｕｔｒｇｎｅｏ－ａｐｅｅａｌｓｏｔｅｎｃｕｔｉｇｄｅｓｍｐｅａｎｅｓｃｉ — ａｌｓａｏｎｔｎｅｃｌｓｅｎ，ｉｔｒｒｓｍｌｓａｉｅｏｒｈｉｉｒ
Ｆｕｚｕｐｒｅｔｒｍａｈｎａｅｎｃｕｔｒｎｒｎｌｒｔｚｙｓｐｏｔｃｏｃｉｅｂｓｄｏｌｓｅｉｇｇａｕａｉｙｖ
ＱＩｉＵＹ．ｈＬ．Ｕｕｓｕ
（ｃｏｌｆｏｕｅｃｎｅｎｅｈｏｏｙＢｉｎｓｔｔｏｃｎｌｇ，ｅｉｇ１０８，ｈｎ）Ｓｈｏｍｐｔｒｉｃｄｃｎｌｇ，ｅｉｇＩｔｕｅｆｅｈｏｏｙＢｉｎ００ＣｉｏＣＳｅａＴｊｎｉＴｊ１ａ
找到每个聚类内部的边缘点和交叉点集合，去除对分类贡献很小的聚类内部点，最终形成了新的用于模糊支持向量机训练的样本集合．随后的试验结果表明，由聚类颗粒生成的约简样本集合，很好的表示了原有样本的分布，不仅提高了训练效率，

非均衡数据的去噪模糊支持向量机新方法

ＺＨＡＮＧＧｕ — ｉｎ１ＦＬｎ１ＤＵＺｈ２ＬＩｉｘａｇ，ＥＩａ，ｅ，ＵＳｎ— ａｇａｙｎ
１南财经学院电教计算中心，．河郑州４００５０３
２西安电子科技大学数学科学系，．西安７０７１０１
１ＣｍｐｔｇＣｎｒｏｅｔｆｉｇＥｕａｉｎ，ｎｎＵｎｖｒｉｆＦｎｎｅａｄＥｃｎｍｉｓＺｅｇｈｕ４００，ｈｎ．ｏｕｉｅｔｎｅｆＥｌｃｒｙｎｄｃｔｉｏＨｅａｉｅｓｙｏｉａｃｎｏｏｃ，ｈｎｚｏ５０３Ｃｉａｔ２ＴｅＤｅａｔｎｆＡｐｉｄＭａｈｍａｉｓＸｉｉｎＵｎｖｒｉ， ’ ｎ７１０，ｈｎ．ｈｐｒｍｅｔｏｐｌｔｅｔ，ｄａｉｅｓｔＸｉａ７１Ｃｉａｅｃｙ０Ｅｍａｌｄｚｅｄｏ＠１６ｃｍ — ｉ：ｕｈｏｇ２．ｏ
Ｅｎｉｅｒｎｎｐｉａｏｓ２０，（６）１２４・ｇｎｅｉｇａｄＡｐｌｔｎ，０８４１：４ —１ｃｉ
Ａｂｓｒｃ：ｉｃＳｔａｔＳｎｅＶＭｉｅｓｔｅｏｏｓｓｒｕｉｒｉｔｅｒｉｉｇｓｔａｄｔｅｃａｓｆａｉｎｏｎａａｃａａｓｎａｒｏｓｎｉｖｔｓｉｎｉｅｏｏｆｅｌｓｎｈｔｎｎｅｎｈｌｓｉｃｔｆｕｂｌｎｅｄｔｉａｉｏｕｆｉｔｔｅｒｒｌｓ．ｅｕｚｕｐｒＶｅｔｒＭａｈｎｓｐｅｅｔｄｗｉｈｏｅｉａｎｙｉｇｖｎＢｒｐｒｅｉｎｎｅｕｚｈａｅｃａｓａｎｗｆｚｙＳｐｏｃｏｃｉｅｉｒｓｎｅｔｔｅｒｔｌａａｓｓｉｅ．ｙｐｏｅｌｄｓｉｇａｎｗｆｚｙｔｈｃｌｙｇ

基于VMD模糊熵和SVM的高压断路器故障诊断

基于VMD模糊熵和SVM的高压断路器故障诊断张燕珂;王萱;万书亭【摘要】为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)模糊熵和支持向量机(Support Vector Machine,SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别.首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM 分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别.结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition,EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障.【期刊名称】《电力科学与工程》【年(卷),期】2019(035)004【总页数】7页(P25-31)【关键词】断路器;VMD;模糊熵;特征提取;故障诊断【作者】张燕珂;王萱;万书亭【作者单位】浙江工商职业技术学院智能电子学院,浙江宁波315012;华北电力大学能源动力与机械工程学院,河北保定071003;华北电力大学能源动力与机械工程学院,河北保定071003【正文语种】中文【中图分类】TM5070 引言高压断路器作为电力系统中重要的保护与控制电器，其性能的可靠性对整个电网运行的安全性具有重大意义。

相关的调查表明，高压断路器的重大故障中有将近一半的故障是由于操作机构发生故障引起的，所以对高压断路器操作机构的故障机理及其诊断方法进行研究对于提高断路器运行的可靠性具有重要意义[1]。

高压断路器在分合闸过程中所产生的振动包含了操作机构的状态信息，针对其振动信号展开分析可发现断路器操作机构的故障信息，现已有大量文献提出利用振动信号来对断路器进行故障诊断[2-4]。

基于模糊支持向量机的飞机蒙皮损伤识别方法

（１２）（１３）
等价于：
／ｘ（）＝ｍｉｎ［１，．．ｍ！ｎＤ（）］
简化为
糊连接度Ｊ，反映样本与类中其他样本之问的紧密度关系，其由下式确定：（，）＝ｍａｘ｛ｍｉｎ［／ｘ（ｃ１，Ｃ２），（Ｃ２，ｃ３），
蒙皮图像各一张，提取其在不同位移量ｄ情况下的
灰度共生矩阵特征值，如表２所示：由表２数据可知，随着ｄ增大，不同图像问的特
假设此时第类对第类的最优决策面函数为：
Ｄ（）＝＋ｂｆ（８）式（８）中Ｄ（）：一Ｄ（），那么对于输入样本，
ｇ４＝一∑ ∑ｐ（，）Ｉｎ［ｐ（／，）］
５）逆差矩（ＩＤＭ）：
（４）
（５）
类相分离的最优分类超平面，属于第ｉ类的支持向量将满足Ｄ（）＝１，而属于其它类的支持向量将满足Ｄ（）＝一１。在实际应用中，对于输入样
本，若Ｄｉ（）＞０（７）
ｇｓ
为了获取旋转不变的纹理属性，抑制了方向分量，将每一特征ｇ（ｉ：１，２，３，４，５），关于不同的方向（０。、４５。、９０。、１３５。）求平均值和均方差。从图３的飞机蒙皮图像库中随机抽取各类飞机
于最优分类超平面Ｄ（），

基于模糊支持向量机的面向语义图像检索算法

Ｓｍａｔｃｂｓｄｉｇｅｒｅａｌｏｉｍｓｎｕｚｕｐｒｅｔｒｍａｈｎｅｎｉ — ａｅｍａｅｒｔｉｖｌａｇｒｔｈｕｉｇｆｚｙｓｐｏｔｖｃｏｃｉｅ
ＨＡＧＷｅ —ｕＱＮＴａ— ，ＡＧＺｅ —ｕＵＮｎｙ，ＩｕｎｆＴＮｈｎｈａａ
ｔｒｓｏｍａｅｎｎｒｄｃｎｈｅｍｉ — ｍｂｒｈｉ—ｕｃｉｎｆｚｕｏｖｃｏｃｉｅｉｔｍａｅｒｔｅａ，ｏｔｉｅｈｕｅｆｉｇｓａｄｉｔｏｕｉｇｔｎｍｅｅｓｐｆｎｔｏｕｚｙｓｐｐ￣ｅｔｒｍａｈｎｎｏｉｇｅｒｖｌｉｂａｎｄｔｅ
第２卷第５期８
２】１年５月【Ｉ
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖ０．８Ｎ０５１２．Ｍａ０１ｖ２１
基于模糊支持向量机的面向语义图像检索算法书
关键词：面向语义的图像检索；模糊支持向量机；最小隶属度；不可分区域
中图分类号：Ｔ３１Ｐ９
文献标志码：Ａ
文章编号：１０ — ６５２１）５１８ —４０１３９（０１０ — ９７０
ｄｉ１．９９ｊｉｎ１０ —６５２１．５Ｏ１ｏ：０３６／．ｓ．０１３９．０１０．１２ｓ

基于模糊综合评判模型的虹膜支持向量机(Svm)算法评估

为：Ｎｆｌ－ｌｃ
Ｕ１Ｎ：
３确定权重．２
ｆ．，０８，０７，Ｏ４｝００．９Ｏ．０．０
３３确定评语集．ｆ，良，差｝优３确定评语对应的因素变化区间Ｉ４
２误拒率．２
根据多次试验的情况，各因素在每个评语集对应的因素
５８，．１ｓ。３ｓ４３｝０
个属性。将这４个属性看作一个集合９＝｛，，，ｊ９ｔ９，。下９。９
面，介绍关于这４个属性的提取与仿射过程。
２１子，设 Ⅳ 为正确识
别虹膜的次数，Ｎ为虹膜识别的总次数，那么Ｕ就可以表示
电脑编程技巧与维护
基于模糊综合评判模型的虹膜支持向量机（ｖ算法评估Ｓｍ）
刘劲，于秋水。扶晓
（空军航空大学计算机教研室，长春１０２）３０２摘要：提出了一种基于模糊综合评判的算法评估方案，并建立了相应的评判模型，实验证明，该模型能够对虹膜
设置一计时器，从算法开始计时，算法结束终止计时，就能通过计时器得到该算法的处理时间。
３算法评估与实现
３１因素集数据的提取与仿射．１０组试验采集的数据如下：该算法的识别率为９．，８％５
误拒率为０１％，误识率为０１％，１试验的平均处理时间．２．５０组为｛．８，．２，５９，．６，．２ｓ．８，．７，．２，．０４ｓ５ｓ．ｓ４ｓ６４，５ｓ０３ｓ０９ｓ７０００４０２００９６４０

熵权核函数支持向量机

【关键词】支持向量机；函数；核熵权０引言．支持向量机以统计学习理论为基础．具有简洁的数学形式、直观的几何解释和好的泛化能力等优点：由于采用了核函数．巧妙地解决了“ 维数灾难” 问题．使得算法复杂度与样本维数无关．如何寻找到最
２１年第２期０１０
科技甚向导
◇ 信息技术◇
熵权核函数支持向量机
梁爽张立坡２（．１河南安飞电子玻璃有限公司河南郑州４０１；５０６２河南易安能源科技有限公司技术中心河南郑州４００１．５０２【要】息熵是用来描述和度量事件发生不确定度的一种方法，摘信能够把一些模糊量进行合理量化。本文利用分类对象样本的重要程度
分通常是一少部分ａ不为零．对应的样本就是支持向量ｉ
（ｕｐｒｃｏ，ｖ。Ｓｐｏｔｔｓ）Ｖｅｒ
ｐｘＹ）ｐｘ）＾ｐ（，ｍ（，ｍ）
ｒ
Ｋｙ）ｔｈａ（，，＝ａ（ＩｉｎＡ＋ｊａＯｒＯ，１）ｒ，＞，（ｏ＜２２学习步骤．（．Ｉｂ）根据上述建立的熵权的计算规则．下面给出熵权支持向量机的具ｔ・６≥ １ｉ０ｉ，，ｌ＋Ｊ／＞，２＾，Ｙｄ＝ｌ体算法实现步骤：式（表示在经验风险为零的情况下使Ｖ１）ｃ维的界最小化，而最从步骤１根据规则Ｘ对样本数据分类．构建学习样本空间和测试小化ｖＣ维，这正是结构风险最小化原理。这是一个凸规划问题，引入样本空间拉格朗日函数进行求解，二次规划问题（的对偶问题为求解如下目标１）步骤２对学习样本空间和测试样本空间进行规一化处理函数的极大化：ｆｆ步骤３使用模糊理论建立样本概率空间和信道矩阵如式（）１．１需要指出的是条件概率矩阵描述的样本之间的相互影响．主要依据对系ｍｘ（ ∑ａ ∑ａｌ一＋一ａａ，ｉ）Ｗ）一（＝ｙ６１

基于灰色关联分析的模糊支持向量机中隶属度的确定

维普资讯
第２卷第２期７２００７年６月
数学理论与应用
ＭＡＴＨＥＭＡＴＩＣＡＬＴＨＥＯＲＹＡＮＤＡＰＰＬＩＣＡＴＩＯＮＳ
Ｖｏ．７Ｎｏ２１２．
Ｊｎ２０ｕ．０７
基于灰色关联分析的模糊支持向量机中隶属度的确定
第１步求序列的初值象（或均值象）
Ｘ一｛，，，） — ｏ１ … ，）ｚｆｚ … ｚ（，，；
第２步求差序列，记
△ （）一ｌ（）一ｚ（），（１，（） … ，（）；愚ｚｏ愚愚ｌ△ 一 △ （）Ａ２，）第３步求两级最大差与最小差，记
ＷｕＱｉｎＬｉｎｉｇＨｕＸｉｏｏｇＬｉｏｇｉａｇｉａｐｎＪａｒｎｕＸｉｎｗｅ
（ｌｇｆＳｉｎｅ，ＮａｉｎｌＵｍｌ．ｏｆｎｅＴｅｈｏｏｙ，Ｃｈｎｓａ１０３ＣｏｌｅｏｃｅｃｅｔｏａｖｆＤｅｅｓｃｎｌｇａｇｈ，４０７）
ｓｍｐｅｓｐｏｓｄｆｈｅｍｅｕｒｅｅｈｅｉａｃａｃｆｓｍｐｅ．ａｌｓｉｒｐｏｅｏｒｔａｓｅｍｍｎｔｏｆｔｎｃｕｒｙｏａｌｓ
Ｋｅｗｏｄｇｅｏｎｃｉｎａａｙｉｓｐｏｔｖｃｏｃｉｅｓｓｉｔｃｌａｎｎｈｏｙｆｚｙｍｅｅｓｉｙｒｓｒｙｃｎｅｔｎｌｓｓｏｕｐｒｅｔｒｍａｈｎｔｔｉｅｒｉｇｔｅｒｕｚｍｂｒｈｐｓ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

／
摘
要：对传统支持向量机对噪声或野值样本敏感和忽略样本各个特征对分类精度的不同影响，出了一种具针提
有特征有效度的模糊支持向量机（ｗ—ＳＭ）ＦＦＶ。该方法通过对模糊支持向量机的模糊因子进行改进，噪声或野将值样本与有效样本进行区分。在此基础上根据信息增益计算样本各个特征的特征有效度，除弱相关特征和冗余消
ＧＵＣｈｎ－ｅ，ＨＡＮＳｕ．ｉ，ｅｇｊＺｉＧｈｎｙＨＵＡＳＮｎｆｉＮＧＨｅ，ＵＹａ．ｅ
，．ｎｔｕｅｏｆｒｔｎＮｔｏｋＴｃｎｌｙＮｎｉｎｖｒｉｆｏｔａｄ１ｌ０ｍｕｊａ０ｓＮａｉｇ１０３Ｃｉａ１Ｉｓｔｔｆｎｏｉｅｗｒｅｈｏｏ，ａｊｇＵｉｅｔｏＰｓｓｎ、ｅｍｎｔｎ，ｎｉ００，ｈｎ＼ｉＩｍａｏｇｎｓｙｅｃｃｉｎ２
ｏｈａｉｆｆｚｙｓｐｏｖｃｏｃｉｅｔｌｓｉｈｏｓａｌｓａｄｏｔｉｒｓｍｐｌｓｆｏｔｅｅ－ｎｔｅｂｓｓｏｕｚｕｐ￣ｅｔｒｍａｈｎｏｃａｓｆｔｅｎｉｅｓｍｐｅｎｕｌａｙｅｅｒｍｈｆｉｅｔｓｍｐｅ．ｎｏｄｒｔｉｎｉｈｔｅｅｆｃｆｗｅｋｆａｕｅｒｒｄｕｄｎｉｓｆｒｃａｓｆａｉｎａｃｒ — ｆｉｎａｌｓＩｒｅｏｄｍｉｓｈｆｅｔｏａｅｔｒｓｏｅｎａｃｅｏｌｓｉｃｔｏｃｕａｃｉｃｔｅｐｏｏｅｐｒａｈｃｌｕａｅｈｅｔｒｉｈｅｅｒｅｏａｈｆａｕｒｙｃｍｐｔｎｈｎｏ — ｙ，ｈｒｐｓｄａｐｏｃａｃｌｔｓｔｅｆａｕｅｗｅｇｔｄｄｇｅｆｅｃｅｔｅｂｏｕｉｇｔｅｉｆｒ
Ｊｎ２１ｕ．０１
一
种具有特征有效度的模糊支持向量机
顾成杰张顺颐黄河孙雁飞，，，
／．１南京邮电大学信息网络技术研究所，江苏南京２００、１０３
＼．２北京航空航天大学软件学院，北京１０８００３
第３１卷第３期２１年６月０１
南京邮电大学学报
（自然科学版
）
Ｖ０＿ＮＯ３ｌ３ｌ．
ＪｕｎｌｆａｊｇＵｉｒｔｏｏｔａｄＴｌｃｍｍｎｃｔｎ（ａｒｌｃｎｅｏｒａｏＮｎｉｎｅｓｙｆｓｎｅｏｕｉａｏｓＮｔａＳｉｃ）ｎｖｉＰｓｅｉｕｅ
＼ｃｏｌｆｏｔａｅＢｉｎｎｖｒｔｏｅｏａｔｓａｄＡｔｎｕｉ，ｅｉｇ１０８，ｈｎ２Ｓｈｏｏｆｒ，ｅｉｇＵｉｓｙｆｒｎｕｉｎｓｏａｔｓＢｉｎ００３ＣｉａＳｗｊｅｉＡｃｒｃｊ
，
Ａｂｔａｔ：ｉｃｈｒｄｔｏｌｓｐｏｔｖｃｏｃｉｅｒｅｓｔｅｔｏｓｓｏｕｔｅｓａｄｎｇｅｔｔｅｓｒｃＳｎｅｔｅｔａｉｎａｕｐｒｅｔｒｍａｈｎｓａｅｓｎｉｉｏｎｉｅｒｏｌｒｎｅｌｃｈｉｖｉｒｌｔｅｉｏｔｎｅｏａｈｆａｕｅｗｉｈｃａｓｆｃｔｏｃｕａｙ，ｏｅｕｚｕｐｒｖｃｏｃｉｅｗｉｈｅａｉｍｐｒａｃｆｅｃｅｔｒｔｌｓｉａｉｎａｃｒｃａｎｖｌｆｚｙｓｐｏｅｔｒｍａｈｎｔｖｉｔ
ｍａｉｎｇｉＡｆｚｙｓｐｏｔｖｃｏｃｉｅｗｉｅｔｒｉｈｅｅｒｅｃｎｂｏｓｒｃｅ．Ｃｏａｅｔｏａｎ．ｕｚｕｐｒｅｔｒｍａｈｎｔｆａｕｅｗｅｇｔｄｄｇｅａｅｃｎｔｕｔｄｈｍｐｒｄ
中图分类号：Ｐ９Ｔ３１文献标识码：Ａ文章编号：６３５３（０１０－５－１７－９２１）３０００４０５
ＦｕｚｅｚｙＳｐｏｔＶｅｔｒＭｃｉｅｗｉｈＦｅｔｒｉｈｅｇｅ
ｆｔｒｗｉｔｅｒｅ（Ｗ—ＳＭ）ｉｐｏｏｅｉｐｐｒＴｉａｐｏｃｐｏｅｅｆｔｒｃｒｅｕｅｅｈｄｄｇｅＦＦＶａｇｅｓｒｐｓｄｉｔｓａｅ．ｈｓｐｒｈｉｒｖｓｈａｅａｔｎｈａｍｔｅｕｆｏ
特征对分类精度的影响，从而构建了具有特征有效度的模糊支持向量机。与以往的ＳＭ改进方法相比较，Ｖ实验验证了ＦＦＶ的有效性，明其具有更好的分类精度和泛化能力。Ｗ—ＳＭ表关键词：模糊支持向量机；模糊因子；特征有效度；分类精度