期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于运行工况和多分类支持向量机的柴油机共轨系统诊断方法
被引量:
4
1
作者
黄英
王拓
+2 位作者
裴海俊
王健
王绪
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2023年第7期719-725,共7页
对于柴油机共轨系统计量阀复位弹簧松弛和喷油器针阀偶件磨损两类典型故障,提出了基于运行工况和多分类支持向量机的故障诊断策略.该策略考虑到运行工况对故障诊断精度的影响,根据车速将实车采集数据划分为3个子工况集.通过卡方检验和...
对于柴油机共轨系统计量阀复位弹簧松弛和喷油器针阀偶件磨损两类典型故障,提出了基于运行工况和多分类支持向量机的故障诊断策略.该策略考虑到运行工况对故障诊断精度的影响,根据车速将实车采集数据划分为3个子工况集.通过卡方检验和机理分析选择和故障情况相关度较高的状态参数,并使用主成分分析法提取特征参数,并根据轮廓系数筛选出对故障敏感度最高的子工况集.采用层次定比采样方法划分训练集,通过粒子群算法优化支持向量机的惩罚参数和径向基函数参数.最后通过实车测试数据集对模型进行验证,实验结果表明该方法在在突出工况的诊断正确率基本达到90%以上,满足故障诊断要求.
展开更多
关键词
共轨系统
故障诊断
支持向量机
工况划分
主成分分析
粒子群算法
在线阅读
下载PDF
职称材料
基于选择性集成学习的高速列车故障识别研究
被引量:
8
2
作者
饶川
苟先太
金炜东
《计算机应用研究》
CSCD
北大核心
2018年第5期1365-1367,共3页
在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别。针对高速列车故障中样本的分类识别是存在区域分类精度的情况,提出了一种基于选择性集成学习的SVM多分类器融合算法。该方法选取测试样本最邻近的k个训练样本...
在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别。针对高速列车故障中样本的分类识别是存在区域分类精度的情况,提出了一种基于选择性集成学习的SVM多分类器融合算法。该方法选取测试样本最邻近的k个训练样本;然后选择对其分类效果好的SVM分类器进行融合,以提高分类准确率;最后使用高速列车故障数据进行了实验,并与Ada Boost、KNN、Bayes、SVM分类方法进行了比较。实验结果表明,该算法提高了分类识别准确率。
展开更多
关键词
选择性集成学习
支持向量机
多分类器融合
区域分类精度
高速列车故障分类
在线阅读
下载PDF
职称材料
题名
基于运行工况和多分类支持向量机的柴油机共轨系统诊断方法
被引量:
4
1
作者
黄英
王拓
裴海俊
王健
王绪
机构
北京理工大学机械与车辆学院
出处
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2023年第7期719-725,共7页
基金
国家自然科学基金资助项目(51475043,50975026)。
文摘
对于柴油机共轨系统计量阀复位弹簧松弛和喷油器针阀偶件磨损两类典型故障,提出了基于运行工况和多分类支持向量机的故障诊断策略.该策略考虑到运行工况对故障诊断精度的影响,根据车速将实车采集数据划分为3个子工况集.通过卡方检验和机理分析选择和故障情况相关度较高的状态参数,并使用主成分分析法提取特征参数,并根据轮廓系数筛选出对故障敏感度最高的子工况集.采用层次定比采样方法划分训练集,通过粒子群算法优化支持向量机的惩罚参数和径向基函数参数.最后通过实车测试数据集对模型进行验证,实验结果表明该方法在在突出工况的诊断正确率基本达到90%以上,满足故障诊断要求.
关键词
共轨系统
故障诊断
支持向量机
工况划分
主成分分析
粒子群算法
Keywords
common
rail
systems
fault
diagnosis
support vector machines(SVM)
workplace
classification
principal component analysis
particle swarm optimization(PSO)
分类号
TK428 [动力工程及工程热物理—动力机械及工程]
在线阅读
下载PDF
职称材料
题名
基于选择性集成学习的高速列车故障识别研究
被引量:
8
2
作者
饶川
苟先太
金炜东
机构
西南交通大学电气工程学院
出处
《计算机应用研究》
CSCD
北大核心
2018年第5期1365-1367,共3页
基金
国家自然科学基金重点资助项目(61134002)
国家自然科学基金资助项目(61075104)
+2 种基金
中央高校基本科研业务费专项资金资助项目(SWJTU11BR039
SWJTU11ZT06)
四川省科技计划项目-重点研发项目(2017GZ0159)
文摘
在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别。针对高速列车故障中样本的分类识别是存在区域分类精度的情况,提出了一种基于选择性集成学习的SVM多分类器融合算法。该方法选取测试样本最邻近的k个训练样本;然后选择对其分类效果好的SVM分类器进行融合,以提高分类准确率;最后使用高速列车故障数据进行了实验,并与Ada Boost、KNN、Bayes、SVM分类方法进行了比较。实验结果表明,该算法提高了分类识别准确率。
关键词
选择性集成学习
支持向量机
多分类器融合
区域分类精度
高速列车故障分类
Keywords
selective ensemble learning
support vector machine(SVM)
multi-
classif
ier fusion
regional
classification
accuracy
fault classification of high-speed rail
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于运行工况和多分类支持向量机的柴油机共轨系统诊断方法
黄英
王拓
裴海俊
王健
王绪
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2023
4
在线阅读
下载PDF
职称材料
2
基于选择性集成学习的高速列车故障识别研究
饶川
苟先太
金炜东
《计算机应用研究》
CSCD
北大核心
2018
8
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部