1 Department of Materials Science and Engineering, Southern University of Science and Technology, Shenzhen 518055, Guangdong, China
2 Songshan Lake Materials Laboratory, Dongguan 523830, Guangdong, China
3 Institute of Physics, Chinese Academy of Sciences, Beijing 100190, China
4 Jiaxing Research Institute, Southern University of Science and Technology, Shenzhen 518055, Guangdong, China
5 High Performance Computing Department, National Supercomputing Center, Shenzhen 518055, Guangdong, China
Ti-6Al-4V is a benchmark Ti alloy. Laser wire additive manufacturing (LWAM) offers advanced manufacturing capability to the alloy for applications possibly including exploration of outer space. As a typical multiple-variable process, LWAM is complex, which, however, can be analyzed, predicated or even optimized by artificial intelligence (AI) methods such as machine learning (ML). In this study, printing parameters of the Ti-6Al-4V is firstly optimized using single-track-single-layer experiments, and then single-track-multiple-layer samples are printed, whose properties in terms of hardness and compressive strength are analyzed subsequently by both experiments and ML. The two ML approaches, artificial neural network (ANN) and support vector machine (SVM), are employed to predict the experimental results, whose coefficients of determination R2 show good values. Further optimized properties are realized by adopting genetic algorithm (GA) and simulated annealing (SA) approaches, which contribute to high mechanical properties achieved, for instance, an engineering compressive strength of about 1694 MPa. The results here indicate that important mechanical properties of the LWAM-prepared Ti alloys can be well predicted and enhanced using suitable ML approaches.
laser technique laser wire additive manufacturing (LWAM) Ti-6Al-4V machine learning mechanical properties support vector machine (SVM) artificial neural network (ANN)
1 中国民航大学,a.工程技术训练中心
2 中国民航大学,b.电子信息与自动化学院,天津 300000
针对传统的飞机舵面故障诊断效果差及泛化能力弱的问题,提出了将卷积神经网络(CNN)算法结合支持向量机(SVM)分类器搭建适于民机升降舵的故障诊断模型。该模型从原始的故障数据出发,逐层学习实现故障特征的提取及故障类型的识别,使用SVM替代 softmax函数对故障进行分类。与传统的CNN网络、深度置信网络(DBN)模型进行测试结果对比,实验结果表明: 所提方法对升降舵故障识别精确率最高,可达99%以上。为了能够直接观察这3种模型在特征表示上的差异性,对识别结果进行了降维可视化(T-SNE),通过可视化之后的图形可以看出,CNN-SVM模型具有显著的聚类效果。最后,数据集中加入噪声,验证了所建模型相比于其他两个模型具有良好的抗噪能力、泛化能力以及强化学习能力。
故障诊断 卷积神经网络 支持向量机 升降舵 降维可视化 fault diagnosis Convolutional Neural Network(CNN) Support Vector Machine(SVM) elevator visualization through dimensionality reduction
针对单核SVM分类识别SAR图像舰船目标的低精度问题, 提出了一种基于多特征提取和多核学习SVM的SAR图像舰船目标识别方法, 从特征提取和分类器训练两个方面提升目标识别的准确度。首先选用公开数据集提取舰船目标的多类特征, 然后加权融合多个核函数构造多核SVM模型, 最后使用多项特征数据训练识别舰船目标。鉴于多组目标特征存在信息冗余问题, 采用相关性系数去除某些信息高度冗余的特征, 降低特征维度。通过粒子群优化算法解决了SVM核函数的核参数选择难题。实验结果表明, 所提方法有效改善了对舰船目标的识别性能, 综合识别准确率由传统SVM的87.18%提高至92.31%。
舰船识别 多核学习 粒子群优化 特征提取 SAR Synthetic Aperture Radar (SAR) ship recognition Multi-Kernel Learning (MKL) Support Vector Machine (SVM) SVM Particle Swarm Optimization (PSO) feature extraction
1 Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology, Wuhan 430074, China
2 Department of Ophthalmology, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan 430022, China
3 School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
Frontiers of Optoelectronics
2021, 14(3): 321–328
1 北京化工大学信息科学与技术学院, 北京 100029
2 北京化工大学化学学院, 北京 100029
为了建立快速、 准确的白酒品质鉴别方法, 利用机器学习方法对不同品质的白酒建模。 为了提取不同品质白酒的特征, 使用离子迁移谱对不同品质白酒进行分析, 构建了基于白酒离子迁移谱信号的特征向量, 并对不同品质的白酒进行了识别与分类。 白酒样本的离子迁移谱信号通过利用美国Excellims公司GA2100型电喷雾-离子迁移谱仪(ESI-IMS)采集获得, 每一个离子迁移谱信号是强度随时间变化的时间序列信号; 提取了原始数据离子迁移谱的时域特征谱峰。 为了获得更全面的特征, 对离子迁移谱数据进行了傅里叶变换并提取频域内的特征谱峰。 同时为了表述信号变化的特征, 计算了离子迁移谱的谱熵和过零率, 构建N×9维的特征向量矩阵; 使用主成分分析(PCA)和线性判别分析(LDA)分别对上述获得的特征进行了特征降维, 其中使用PCA对特征向量矩阵降维后的前三维特征对整体特征的累计贡献率达到了95%, 而使用LDA对特征向量矩阵降维后的前两维特征对整体特征的累计贡献率就达到了95%。 因此, 选择了LDA作为特征降维方法; 最后, 利用机器学习中的非线性分类器支持向量机(SVM)对白酒离子迁移谱数据进行分类研究。 实验结果表明, 在真酒和添加酒精的白酒二分类中, SVM方法正确分类率达到100%; 而在真酒和分别添加10%, 20%, 30%, 40%和50%酒精浓度的五种假酒的六分类中, SVM方法正确分类率达到99.7%。 比较了逻辑回归(LRM)分类、 模糊C均值分类(FCM)和K近邻分类(KNN)对白酒样本离子迁移谱分类实验结果。 研究表明, 对于离子迁移谱非常接近的真酒和添加酒精的白酒, 基于频谱特征向量的SVM方法能够准确的区分开来, 为白酒的品质鉴别提供了一种新的检测方法。
离子迁移谱 白酒品质 支持向量机 时频谱特征 Ion mobility spectroscopy Chinese liquor quality Support vector machine (SVM) Time and frequency feature 光谱学与光谱分析
2021, 41(9): 2962
燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
为了提高复杂水环境中性激素的分类识别率,提出一种三维荧光光谱法结合改进的鸡群算法(ICSO)优化支持向量机(SVM)的模型。利用FS920荧光光谱仪对雌酮、雌二醇和雌三醇3种典型性激素的单组分溶液及混合溶液进行荧光特性分析,并在光谱重叠严重的前提下建立ICSO-SVM模型对3种性激素进行分类鉴别。ICSO-SVM模型不仅训练过程稳定,收敛速度快,而且测试集的性激素识别率为100%,均优于PSO-SVM模型。结果表明,三维荧光光谱法结合ICSO-SVM模型是一种有效的性激素检测方法。
光谱学 支持向量机(SVM) 改进鸡群算法 性激素检测 光学学报
2021, 41(10): 1030004
1 上海理工大学 材料科学与工程学院，上海 200093
2 上海师范大学 数理学院，上海 200234
3 中国科学院上海技术物理研究所 红外物理国家重点实验室，上海 200083
4 上海节能镀膜玻璃工程技术研究中心，上海 200083
5 上海科技大学 物质学院，上海 200120
6 复旦大学 信息科学与工程学院，上海 200433
采用近红外光谱法对转基因油/非转基因油的混合溶液进行研究。对采集到的原始光谱分别进行多元散射校正（MSC）、一阶导数（FD）、移动窗口平滑（MWS）、Savitzky-Golay平滑一阶导数（SG1）预处理。研究比较了不同预处理方法对转基因油/非转基因油支持向量机（SVM）建模判别分析的影响，其中MSC预处理后的模型预测效果最好，准确率为91.6%。为了进一步提高模型的精度与稳定性，采用连续投影算法（SPA）对全波长进行特征波长筛选。利用筛选后的15个特征波长输入到SVM中，预测准确率提高到98.3%。实验结果表明，采用近红外光谱法，可以实现对转基因油/非转基因油快速检测，不仅适用于纯转基因油的鉴别，也适用于非转基因油中掺入转基因油的鉴别。
转基因油 近红外光谱 支持向量机（SVM） transgenic oil near infrared spectroscopy support vector machine（SVM）
杭州电子科技大学 自动化学院, 浙江 杭州 310018
为解决SAR图像目标识别中样本缺乏和方位角敏感问题, 提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先, 采用多尺度分形特征对SAR图像进行增强, 经过分割得到目标二值图像, 基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码, 结合原始图像作为输入, 对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计, 故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征, 利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试, 实验结果表明, 在带变体的标准操作条件下, 能够达到97.97%的分类精度, 优于部分基于CNN模型的分类精度, 在4种扩展操作条件下的分类精度分别为97.83%, 91.77%, 97.11%和97.04%, 均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下, 训练得到的GAN模型作为SAR图像目标旋转估计器, 能够使得在不进行复杂样本预处理的前提下, 仍然取得较高的SAR图像目标识别精度。关 键 词:
合成孔径雷达图像 目标识别 生成对抗网络 方位角估计 支持向量顶 Synthetic Aperture Radar(SAR) image target recognition generative adversarial networks aspect angle estimation Support Vector Machine(SVM)
1 南京林业大学信息科学技术学院, 江苏 南京 210037
2 南京林业大学南方现代林业协同创新中心, 江苏 南京 210037
采用地面激光扫描获取树木的光探测和测距数据,并将其作为遥感数据源,选取水杉、棕榈、无患子、竹子和橡胶树为研究对象,提出了三类有效特征:树木相对聚类特征、点云分布特征和树木表观特征,列举了68个特征参数。采用支持向量机在交叉验证中对训练数据集进行检验计算,确定最优的特征参数组,最终在测试数据集中进行树种分类。研究结果表明:基于树木相对聚类特征的最优特征参数组进行树种分类的平均分类精度较低(45%);基于点云分布特征的最优特征参数组进行树种分类的平均分类精度有所增加(58.8%);基于树木表观特征的最优特征参数组进行树种分类的平均分类精度较高(63.8%);基于三类特征的13个最优特征参数进行树种分类的平均分类精度最高(87.5%)。此外,由于水杉与其他树种形态差异较为明显,在分类中表现突出,错判率最低(6.5%)。所提方法具有较高的可行性,为获得更准确的森林树种分布提供了强有力的工具。
遥感 激光雷达 树种识别 支持向量机(SVM) 交叉验证 组合特征参数
沈阳理工大学 机械工程学院, 辽宁 沈阳 110159
往复式压缩机是石油化工生产的关键设备, 它的安全平稳运行与气阀的工作状态息息相关。为实现往复式压缩机气阀故障的快速诊断, 利用小波包分解提取故障特征, 基于SVM方法对气阀故障进行了识别, 利用网格搜索进行参数寻优, 搭建了小波包分解与支持向量机SVM联合诊断压缩机气阀故障的模型, 验证了支持向量机SVM诊断压缩机气阀故障的有效性。简化了传统由经验人员判断气阀故障类型的过程, 为压缩机气阀故障分析、气阀维修与更换等实际问题提供了理论依据。
往复式压缩机 气阀 网格搜索 支持向量机 小波包分解 reciprocating compressor gas valve grid search support vector machine (SVM) wavelet packet decomposition
