基于混合特征和支持向量机的抽油杆缺陷识别

被引：2

作者：

孙红春 ^{[1
]}

谢里阳 ^{[1
]}

邢海涛 ^{[2
]}

机构：

[1] 东北大学机械工程与自动化学院

[2] 华润雪花啤酒(辽宁)有限公司

来源：

东北大学学报(自然科学版) | 2009年 / 02期

基金：

高等学校博士学科点专项科研基金;

关键词：

小波包能量特征; 特征提取; 模式识别; 支持向量机; 抽油杆;

D O I：

暂无

中图分类号：

TE933.2 []; TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了提高抽油杆的缺陷识别率,将小波包能量特征和时域峰峰值特征组成的混合特征向量和基于小样本的支持向量机法应用于抽油杆的缺陷识别中.应用基于类距离的可分离性判据,证明了混合特征比单一小波包能量特征的可分离性强,在一定程度上可提高抽油杆缺陷识别的有效性;同时应用大量的数据和一对一分类的支持向量机进行抽油杆缺陷模式识别.其识别结果表明,混合特征具有比单一小波包能量特征更好的分离性,识别缺陷的泛化误差小,提高了抽油杆的缺陷识别率.

引用

页码：266 / 269

页数：4

共 6 条

[1] 基于小波神经网络的抽油杆缺陷识别 [J].

孙红春 ;

阎志颖 ;

谢里阳 .

东北大学学报(自然科学版), 2008, (02) :258-261

[2]

支持向量机算法及其应用研究[D]. 张国云.湖南大学. 2006

[3] Feature extraction and dimensionality reduction algorithms and their applications in vowel recognition [J].

Wang, XC ;

Paliwal, KK .

PATTERN RECOGNITION, 2003, 36 (10) :2429-2439

[4] Face recognition using independent component analysis and support vector machines [J].

Déniz, O ;

Castrillón, M ;

Hernández, M .

PATTERN RECOGNITION LETTERS, 2003, 24 (13) :2153-2157

[5] Rolling element bearing fault diagnosis using wavelet packets [J].

Nikolaou, NG ;

Antoniadis, IA .

NDT & E INTERNATIONAL, 2002, 35 (03) :197-205

[6]

Image feature extraction with various wavelet functions in a photorefractive joint transform correlator[J] . H. Zhang,C.M. Cartwright,M.S. Ding,W.A. Gillespie.Optics Communications . 2000 (4)

← 1 →