商业母鸡产蛋曲线的 SVM 预警方法
在当今技术驱动的时代,预防性维护和高级诊断的必要性不仅限于航空领域,还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本,还可以延长机器的使用寿命,确保更高的运营效率。此外,它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式,实现了对机器故障的更准确、更高效的预测和分析,从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术,包括支持向量机(SVM)、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法,用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别,而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能,考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。
Mar, 2024
本研究旨在利用基于传感器行为数据的机器学习算法,早期检测数字皮炎 (DD) 并预测奶牛 DD。通过建立早期警报工具,实现对商业环境下 DD 的监测和管理,降低 DD 的发病率和严重程度,改善动物福利。通过基于行为传感器数据的机器学习模型,在自由栏条件下预测和检测奶牛数字皮炎,本探索性研究中,DD 临床症状出现的第 0 天的检测模型准确率达到 79%,DD 临床症状出现前 2 天的预测模型准确率达到 64%。该机器学习模型有助于基于行为传感器数据在常规奶牛环境下开发实时自动化的 DD 监测和诊断工具。研究结果表明,个体层面的行为模式变化可用作牛群管理早期警报系统的输入,以检测个体牛健康的差异。
Sep, 2023
通过对 Dry Bean 数据集的分析,支持向量机(SVM)的径向基函数(RBF)算法在准确率、精度、召回率和 F1 得分等方面均表现最佳,这为复杂和非线性结构数据集中考虑不同 SVM 算法的重要性提供了宝贵的指导。
Jul, 2023
本文提出了一种高效的核存活支持向量机 (SSVM) 训练算法,通过直接优化主要目标函数,采用截断牛顿优化和随机统计树,降低了与现有训练算法相比的计算复杂度,并证明其可以用于规模更大的数据。
Nov, 2016
通过学习和预测常规单元的开关决策,可以为系统操作员提供一个实用的解决方案,从而加快计算速度。在这篇文章中,我们训练了线性和核化支持向量机分类器,这些分类器可以在适当正则化的情况下提供一个样本外性能保证,并转换为具有分布鲁棒性的分类器。通过在 IEEE 6 节点和 118 节点测试系统上的实验结果显示,适当正则化的核化支持向量机优于其他分类器,将计算时间减少了 1.7 倍。此外,如果计算时间有限,即使没有热启动,单元调度问题也可以在时间限制内得到最优解。
Oct, 2023
使用支持向量机(SVM)模型来预测危险的飞行天气,尤其是对于暴风雨和湍流等高度不确定的气象条件,通过找到高维空间中的最优决策边界,以更好地捕捉复杂的气象数据结构并区分正常和危险的飞行天气条件。
Jun, 2024
这篇文章主要研究了使用支持向量机(SVM)对基于图像数据集的森林火灾检测进行性能和利用率分析。通过对带标签数据进行训练,SVM 能够识别与火灾相关的特征,如火焰、烟雾或森林区域的视觉特征变化。文章深入探讨了 SVM 的使用,包括数据预处理、特征提取和模型训练等关键要素,评估了准确性、效率和实际适用性等参数。通过一个具有启示性的案例研究,文章还仔细调查了 SVM 准确性与高维数据集所带来的困难之间的关系。此外,文章还讨论了准确性分数与训练数据集调整不同分辨率之间的关系。综合研究结果揭示了所面临的困难以及需要进一步改进和关注的潜在领域。
Jan, 2024
通过评估不同的历史数据量和预测未来时间范围,以预测系统故障的性能表现,研究发现预测窗口的大小对性能起关键作用,并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性,以及机器学习在分类相似和重复模式的数据方面的有效性。
Feb, 2024