基于支持向量機的小樣本事件預測.pdf

1、本文首先總結了故障預測與健康管理(Predictionandhealthmanagement,PHM)的研究現(xiàn)狀及其小樣本事件預測的典型方法,并對支持向量機方法(SupportVectorMachine,SVM)進行了詳細介紹。在許多工業(yè)系統(tǒng)中,由于系統(tǒng)本身故障的高風險性,迫切需要可靠的故障檢測與預報體系來保證系統(tǒng)即使在不確定情況下也能安全運行,PHM技術應運而生。故障預測,作為PHM重要方面,受到的關注越來越多。本文將故障預測方法分為

2、基于模型、基于知識和基于數(shù)據(jù)的三個方面。隨著系統(tǒng)的日益復雜化,基于模型的方法具有很大的局限性,同時由于數(shù)據(jù)獲取技術的快速發(fā)展,基于數(shù)據(jù)的方法得到了廣泛的應用。但是,在實際工程系統(tǒng)中,樣本的數(shù)量往往是有限的,因此需要建立一種能夠指導我們在小樣本情況下有效學習和預測的理論。SVM被視為一種典型而有效的方法。
　　然后,通過仿真總結了SVM方法的優(yōu)缺點。我們采用了SVM的回歸思想,首先通過對數(shù)據(jù)的預處理及參數(shù)分析,了解二者對回歸性能的影

3、響,然后據(jù)此尋找最佳的預處理方案及參數(shù)進行一步及兩步預測,仿真結果驗證了SVM在預測未來時刻數(shù)據(jù)的有效性。這里選用的仿真實例來源于國際自動控制聯(lián)合會(IFAC)1990年發(fā)布的控制系統(tǒng)設計基準問題之城市公交車運行軌跡的跟蹤控制問題。
　　最后針對SVM中存在的問題提出了改進措施。由于單一SVM方法的預測效果并不理想,預測得到的數(shù)據(jù)與原始數(shù)據(jù)之間有較大誤差。同時,在實際的系統(tǒng)中,由于外界擾動和各種不確定因素的存在,使得我們很難對未來