基于支持向量機的智能數(shù)據(jù)挖掘算法研究.pdf

1、隨著工業(yè)化的迅猛發(fā)展,機械設備正朝著大型化、高效率、高智能化的方向發(fā)展。機械設備不同部件之間的相互聯(lián)系日益緊密,任何一個部件出現(xiàn)故障或是發(fā)生突變都可能引起重大的生產(chǎn)事故,導致生產(chǎn)過程中斷。如何確保機械設備的安全、穩(wěn)定、高效地運行成為當今學者們研究的重大課題。有效、快速、準確地實現(xiàn)對故障設備的狀態(tài)評估,并對未來的運行狀態(tài)進行預測,能夠盡早地發(fā)現(xiàn)設備異常,及時、有效地進行處理,對預防重大事故的發(fā)生有重要意義。
　　本文比較了常見的數(shù)據(jù)

2、挖掘的方法,基于支持向量機在處理過學習、高緯度、非線性和小樣本的問題時有較好的效果,同時具有很強推廣能力的特點,將支持向量機應用到故障的識別、數(shù)據(jù)預測和數(shù)據(jù)挖掘中,主要做了以下工作:
　　提出了一種基于EEMD-SVM的故障識別方法。作為特征提取方法,EMD在處理信號的過程中存在混疊等現(xiàn)象,很大程度上影響著特征的有效性和真確度。所以,為了更好地提取出SVM的特征,選取通過改進后的EMD方法,即EEMD。它能很好的消除EMD中出現(xiàn)混

3、疊現(xiàn)象,并通過實驗證明了方法的正確性。
　　將SVM應用到數(shù)據(jù)的預測方面。其中,包括SVM對周期信號的預測和SVM對非周期信號的預測。對于這兩種不同的特征信號,本文采用不同的方法與 SVM結合。在周期信號中,將SVM與PSO優(yōu)化向空間重構算法相結合;在非周期信號預測過程中,為了能夠更好的達到預測的效果,將SVM與EEMD和PSO相結合,組成EEMD和PSO-SVM預測方法。并通過實例證明了不論周期還是非周期信號預測,SVM都能達到