基于支持向量機的故障診斷研究.pdf

1、基于知識的診斷方法是一種很有前途的方法，尤其是在非線性系統(tǒng)領域。它的智能化技術和豐富的專家知識給用戶提供了一個簡單易用而又可靠的系統(tǒng)。然而，故障樣本數(shù)的不足，制約著這項技術向?qū)嵱没耐茝V。而支持向量機是一種基于統(tǒng)計學習理論的機器學習方法，對小樣本情況具有優(yōu)良的性能，能夠在有限的特性信息樣本下，最大限度地發(fā)掘數(shù)據(jù)中隱含的分類知識，非常適用于故障診斷這種實際的工程問題。
　　 本文首先研究了經(jīng)驗風險最小化原則成立的條件、有限樣本下經(jīng)

2、驗風險與期望風險的關系及如何利用這些理論找到新的學習理論的實現(xiàn)方法，并給出了控制置信范圍的方法--VC維。建立在VC維理論基礎上的結構風險最小化原則通過控制經(jīng)驗風險和置信范圍控制實際風險的界，為建立具有好的推廣性能的學習機器提供了堅實的理論基礎。
　　 本文詳細介紹了最優(yōu)超平面的構造并進行了相應的求解，線性可分時可以在輸入空間構造分類超平面；非線性可分時利用核函數(shù)映射，在高維特征空間構造分類超平面；考慮噪聲數(shù)據(jù)時引入松弛變量構造

3、分類超平面。
　　 論文在Iris標準數(shù)據(jù)集的基礎上構造了兩類數(shù)據(jù)，并對它們進行二分類的仿真研究。選取三種常用核函數(shù)，通過Matlab仿真，深入研究了支持向量機的模型選擇問題。詳細演示了最優(yōu)參數(shù)的選擇過程，討論了不同參數(shù)對于支持向量機分類性能的影響，比較了不同核函數(shù)的特點。并通過仔細的模型選擇，得到各種核函數(shù)情況下的最優(yōu)支持向量機。
　　 最后，論文對基于SVM的故障診斷方法，選用不同核函數(shù)及其參數(shù)的SVM分類器對實際數(shù)