基于支持向量機的城市給水管網故障診斷研究.pdf

1、基于支持向量機的城市給水管網故障診斷研究重慶大學碩士學位論文（學術學位）學生姓名：卓嚴報指導教師：朱曉紅副教授專業(yè)：計算機應用技術學科門類：工學重慶大學計算機學院二O一三年六月重慶大學碩士學位論文中文摘要I摘要支持向量機（SVM）是九十年代中期在統(tǒng)計學習理論（SLT）基礎上發(fā)展而來的機器學習技術。統(tǒng)計學習理論著重研究小樣本條件下的統(tǒng)計規(guī)律和學習方法，它為機器學習問題建立了一個很好的理論框架。支持向量機在小樣本情況下，運用結構風險最小化原

2、則，具有非常優(yōu)秀的學習性能。支持向量機應用于故障診斷的優(yōu)勢在于它適合于小樣本決策，其本質就是一個模式分類問題，其學習方法的本質在于能夠在有限特征信息情況下，最大限度地發(fā)掘數據中隱含的分類知識。從推廣性的角度來看，更適用于故障診斷這種實際的工程問題。本文首先闡述了支持向量機在故障診斷領域中的應用及研究現狀。然后介紹了統(tǒng)計學習理論相關知識、支持向量機原理以及兩種主要的支持向量機多類分類算法，即“一對余類”和“成對分類“。支持向量機的性能受其

3、參數的影響很大，因此出現了很多優(yōu)化SVM相關參數的算法。本文從遺傳算法（GA）與粒子群優(yōu)化算法（PSO）的基本理論出發(fā)，研究探討其優(yōu)化SVM參數的能力與優(yōu)缺點。研究發(fā)現，遺傳算法具有高效的全局搜索能力，但也有收斂速度慢的缺點；而粒子群算法具有快速收斂的特性，但亦容易陷入局部最優(yōu)解。針對SVM在故障檢測中容易陷入診斷精度不高，參數尋優(yōu)、訓練速度慢，容易陷入局部最優(yōu)值以及泛化能力差的缺點，文中提出了建立基于遺傳算法與粒子群優(yōu)化算法對SVM參

4、數進行尋優(yōu)的算法。改進后的算法實現全局和局部搜索的平衡；比GASVM模型具有更高的診斷精度，在小樣本、非線性情況下更具優(yōu)勢，解決了過學習與欠學習問題；同時，其快速收斂的能力使算法能夠迅速收斂得出最優(yōu)解，比GASVM模型的計算時間短；該算法亦具有良好的魯棒性及泛化能力。最后，在實驗模擬環(huán)境下，對小型城市給水管網模型進行故障診斷分析。通過實驗我們可以看到新的診斷模型的優(yōu)勢，在實際生產實踐中，基于支持向量機的故障診斷技術具有實際應用意義，為工