基于支持向量机的铁磁构件裂纹识别

被引：6

作者：

王昕晔 ^{[1
]}

叶慧娟 ^{[2
]}

机构：

[1] 海军工程大学科研部

[2] 海军工程大学兵器新技术应用研究所

来源：

舰船电子工程 | 2012年 / 32卷 / 02期

关键词：

支持向量机; 磁记忆; 裂纹;

D O I：

暂无

中图分类号：

TG115.284 [];

学科分类号：

摘要：

鉴于支持向量机的优秀特性,将其应用在金属磁记忆检测中,构造基于梯度值的裂纹标识量,实现对裂纹的定位和裂纹程度的标定,并通过有限元仿真,计算裂纹和裂纹程度及对应的漏磁信号,得到训练样本和测试样本,并训练支持向量机。仿真结果表明:应用支持向量机实现铁磁构件裂纹识别是可行的。

引用

页码：110 / 112

页数：3

共 9 条

[1]

基于支持向量机的煤炭销售预测系统的研究 [J].

杨飞 ;

王猛 .

计算机与数字工程, 2011, 39 (06) :55-57+75

[2]

基于支持向量机和纹理特征的人脸识别 [J].

鲁庆明 ;

徐东平 .

计算机与数字工程, 2010, 38 (10) :122-124

[3]

直流下局部放电试验与测量系统设计 [J].

司文荣 ;

李军浩 ;

袁鹏 ;

黄海波 ;

郭宏 ;

李彦明 .

高压电器, 2008, (04) :326-328

[4]

基于径向基小波核的多尺度小波支持向量机 [J].

任世锦 ;

吴铁军 .

电路与系统学报, 2008, (04) :70-76+80

[5]

支持向量回归算法在梁结构损伤诊断中的应用研究 [J].

刘龙 ;

孟光 .

振动与冲击, 2006, (03) :99-100+126+209

[6]

基于支持向量机的旋转机械故障诊断。 [J].

赵冲冲 ;

廖明夫 ;

于潇 .

振动、测试与诊断, 2006, (01) :53-57+77

[7]

油中局部放电脉冲波形的测量与特性分析 [J].

淡文刚 ;

陈祥训 ;

郑健超 .

电网技术, 2000, (06) :37-40

[8]

Artificial neural networks and support vector machines with genetic algorithm for bearing fault detection.[J].B. Samanta;K.R. Al-Balushi;S.A. Al-Araimi.Engineering Applications of Artificial Intelligence.2003, 7

[9]

金属磁记忆检测技术.[M].任吉林等编著;.中国电力出版社.2000,

← 1 →