基于支持向量機的電纜故障識別.pdf

1、支持向量機是上世紀九十年代提出的一種基于小樣本的新的統(tǒng)計學習方法。支持向量機方法基于統(tǒng)計學習理論與結構風險最小化原理，具有良好的推廣性和較高的準確率。它集成了最優(yōu)分類超平面、Mercer核、凸二次規(guī)劃等多項技術，能有效地解決“過學習”、“維數(shù)災難”和局部極小點等問題。由于出色的學習性能，支持向量機已經(jīng)成為當前機器學習界的研究熱點，并在很多領域得到廣泛的應用，包括模式識別、回歸估計等方面。支持向量機方法最初是針對二類別的分類問題提出的，如

2、何將二類別分類方法擴展到多類別分類是支持向量機研究的一個重要內(nèi)容。 本文從支持向量機的基本理論出發(fā)，針對分類問題著重討論了以下幾個方面的內(nèi)容：（1）對機器學習、統(tǒng)計學習理論以及支持向量機的發(fā)展和研究現(xiàn)狀進行了介紹。（2）支持向量機二分類算法的研究，對目前存在的多種支持向量機模型進行了研究分析，比較了它們的性能與應用范圍。（3）支持向量機多類分類算法的研究，首先總結了目前存在的支持向量機的多類分類算法，包括一類對余類、一類對一類、

3、一次性求解方法、決策有向無環(huán)圖方法、決策二叉樹方法等幾種方法，比較了它們的優(yōu)缺點以及性能。同時本文在決策二叉樹基礎上，針對二叉樹結構的生成問題，改進了凸殼二叉樹多類分類方法，實驗結果表明該方法的有效性。 本文通過以上工作，主要對確定支持向量機多類分類算法的結構、發(fā)展新的支持向量機多類分類算法、多類樣本所有兩類間的可分性對比關系及其與核函數(shù)的聯(lián)系等幾個方面進行了研究，并將凸殼二叉樹多類分類方法應用于對電纜四種狀態(tài)的識別，取得了較好