针对电能质量扰动信号的识别问题，提出基于聚类改进S变换与直接支持向量机（SVM）的电能质量扰动识别方法。提出聚类改进S变换方法，该方法结合电能质量扰动信号的特点，可同时对基频的时域分辨率及高频的频域分辨率进行最优化处理，保证特征提取的准确性；将直接支持向量机作为分类器，与最小二乘支持向量机相比，其求解简单，计算复杂度较低，训练与测试速度快，泛化能力较高，并且避免不能保证全局最优解的缺点；将聚类改进S变换与直接支持向量机相结合，应用于单一扰动及混合扰动的识别分类工作。仿真实验验证了所提方法的有效性。
2022-11-08 14:55:29
1.18MB
1
好用的matlab代码，可以使用，效果很好，希望能让您满意
2022-11-07 20:21:33
12KB
1
该文件中包含了数据以及处理数据的代码，适合初学者学习。代码中包含读入数据，数据格式化，分为训练集和测试集，预测结果等代码。注意：读取数据时要把文件地址改为自己本机的文件地址。
2022-11-04 20:44:55
6KB
1
#将SVM代码文件直接导，pycharm2017软件中，将data数据的路径在代码中进行修改
#fileIn = open('C:/Users/LENOVO/Desktop/SVM-master/datasets.txt')
#open()进行文件的读取工作，直接修改路径即可，但是要注意绝对路径与相对路径的区分
2022-11-04 11:06:08
5KB
1
针对轴承振动信号非线性、非平稳性和故障特征微弱性的特点,以及工程实际中难以获得大量故障样本的情况,提出了一种基于多尺度排列熵和支持向量机的轴承故障诊断新方法。该方法首先对轴承不同运行状态下的振动信号进行多尺度排列熵特征提取,然后通过距离评估技术从原始多尺度排列熵特征中选取敏感特征,最后将敏感特征输入到采用遗传算法优化的支持向量机中,实现对轴承不同运行状态的自动识别。对实验数据分析的结果表明,该方法可以精细地获取故障信息,从大量原始特征中选择出敏感特征,有效地实现滚动轴承故障状态的诊断。
2022-11-03 09:33:10
320KB
1
双SVM
双支持向量机的MATLAB实现
参考文件：
Jayadeva，Khemchandani，R。和Suresh Chandra。 “ ”关于模式分析和机器智能的IEEE事务29.5（2007）：905-910。
2022-11-01 10:43:06
11KB
1
MATLAB实现CNN-SVM卷积支持向量机多输入回归预测（完整源码和数据）
数据为多输入回归数据，输入7个特征，输出1个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。
运行环境MATLAB2018b及以上。
2022-10-27 09:07:19
929KB
基于CNN-SVM数据预测模型（python）
卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python）
卷积支持向量机数据预测模型，CNN-SVM数据预测模型（python）
2022-10-27 09:07:17
619KB
1