模糊支持向量機及其在故障診斷中的應用.pdf

1、支持向量機(support vector machine，SVM)是一類新型機器學習方法，它能夠非常成功地處理分類和回歸問題。但是，客觀世界存在著大量的不確定性信息，如果支持向量機的訓練集中含有不確定性信息，那么標準的支持向量機模型將無能為力。針對訓練樣本含有不確定信息和SVM求解二次規(guī)劃費時的問題，本文用最小二乘支持向量機代替?zhèn)鹘y(tǒng)的SVM，把模糊理論與支持向量機集成，通過引入模糊隸屬度函數(shù)，建立了模糊最小二乘支持向量回歸機(fuzzy

2、 least square vector machine，F(xiàn)LS_SVM)模型，并將其應用到故障診斷中。
　　針對模糊隸屬度函數(shù)的構建問題，主要工作如下：
　　1.研究基于樣本空間隸屬度函數(shù)模型。由于訓練樣本受噪聲影響時，其回歸性能也將受到影響。因此，可以根據(jù)訓練樣本點遠離回歸曲線的程度，賦予每個樣本不同的隸屬度值，以抑制噪聲對支持向量機訓練的影響。
　　2.研究基于核空間模糊隸屬度函數(shù)模型。上面介紹的方法是在原始空間

3、確定模糊隸屬函數(shù)的，當把原始空間中的樣本映射到高維空間，由于在構造超平面時所起的作用是不同的，因此也可以通過樣本在核空間的貢獻大小的不同來確定隸屬度。
　　采用以上兩種確定隸屬度函數(shù)的方法構建FLS_SVM模型，并將該模型應用到對飛行控制系統(tǒng)速率傳感器的故障診斷中。對FLS_SVM進行離線訓練，用訓練好的模型模擬系統(tǒng)的動態(tài)特性，并將其在線應用；將模型輸出結果和實際系統(tǒng)輸出相比較，根據(jù)殘差進行故障診斷，并以偏航角速率傳感器故障診斷為