本文關鍵詞：基于最小二乘支持向量回歸的系統(tǒng)可靠性預測，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,隨著社會的變革、文化的發(fā)展以及科學技術(shù)的飛速進步,發(fā)動機系統(tǒng)的可靠性越來越受到人們的重視,如何提高系統(tǒng)的可靠性逐漸成為一個非常重要的科學問題,對系統(tǒng)的安全性評估有很多方法,其中可靠性預測是最常用的方法之一。由于其強大的非線性擬合能力,以神經(jīng)網(wǎng)絡和支持向量機為主的軟計算方法是目前系統(tǒng)可靠性預測的主要方法,但它們都存在著一些不足,最重要的是單純利用支持向量機或神經(jīng)網(wǎng)絡方法都沒有考慮可靠性時間序列數(shù)據(jù)中存在的不410確定性和隨機性。因此,如何建立系統(tǒng)合理的可靠性預測模型并對系統(tǒng)可靠性數(shù)據(jù)進行預測是一項具有非常重要意義的研究工作。針對該問題,本文研究主要完成了以下工作:1通過閱讀相關文獻了解到當前基于神經(jīng)網(wǎng)絡和支持向量機的可靠性預測方法的不足,提出了迭代非線性濾波算法下基于最小二乘支持向量機的可靠性預測方法,該方法合理的考慮到了可靠性時間序列數(shù)據(jù)的不確定性。2建立用于發(fā)動機系統(tǒng)可靠性數(shù)據(jù)預測的數(shù)學模型。為了能夠運用迭代非線性濾波算法,基于最小二乘支持向量回歸建立了發(fā)動機失效和可靠性時間序列預測模型的狀態(tài)轉(zhuǎn)移方程和觀測方程。3為驗證提出方法的有效性,用IEKF和IUKF兩種濾波方法對提出的模型在MATLAB平臺上進行仿真實驗,得到了預測結(jié)果,利用四個評價指標,將得到的預測誤差與文獻中自回歸模型(AR)、徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF-NNs)、多層前向反饋感知神經(jīng)網(wǎng)絡(MLP-NNs)預測模型的預測誤差進行了比較,最終結(jié)果表明,本文所提出的預測方法具有更好的預測精度。
【關鍵詞】：可靠性預測 最小二乘支持向量回歸 時間序列 迭代非線性濾波 預測模型 仿真
【學位授予單位】：江蘇科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TB114.3;TP181
【目錄】：

• 摘要6-7
• Abstract7-12
• 第1章 緒論12-18
• 1.1 課題研究背景和意義12
• 1.2 當前研究現(xiàn)狀12-15
• 1.2.1 神經(jīng)網(wǎng)絡方法13-14
• 1.2.2 支持向量機方法14-15
• 1.2.3 迭代非線性濾波15
• 1.3 當前研究所存在的問題15-16
• 1.4 主要研究內(nèi)容與論文結(jié)構(gòu)16-18
• 1.4.1 主要研究內(nèi)容16-17
• 1.4.2 論文結(jié)構(gòu)17-18
• 第2章 最小二乘支持向量機18-36
• 2.1 機器學習問題18-19
• 2.2 統(tǒng)計學理論基礎19-21
• 2.3 支持向量機21-27
• 2.3.1 支持向量機分類21-22
• 2.3.2 支持向量機回歸22-27
• 2.4 參數(shù)選擇27-30
• 2.4.1 核函數(shù)的選擇27-28
• 2.4.2 懲罰參數(shù)及其他參數(shù)的選擇28-29
• 2.4.3 參數(shù)選擇方法29-30
• 2.5 最小二乘支持向量機30-32
• 2.6 仿真實驗32-35
• 2.7 本章小結(jié)35-36
• 第3章 迭代非線性濾波36-47
• 3.1 非線性系統(tǒng)的狀態(tài)估計問題36-37
• 3.2 基本卡爾曼濾波37-39
• 3.3 非線性濾波39-42
• 3.3.1 擴展卡爾曼濾波39-40
• 3.3.2 無跡卡爾曼濾波40-42
• 3.4 迭代非線性濾波42-45
• 3.4.1 迭代擴展卡爾曼濾波43
• 3.4.2 迭代無跡卡爾曼濾波43-45
• 3.5 本章小結(jié)45-47
• 第4章 基于卡爾曼濾波的LS-SVM在線學習算法47-57
• 4.1 引言47
• 4.2 可行性分析47-49
• 4.3 LS-SVM 的狀態(tài)空間表達式49-50
• 4.4 LS-SVM 的在線學習50-55
• 4.4.1 基于 IEKF 的 LS-SVM 在線學習50-52
• 4.4.2 基于 IUKF 的 LS-SVM 在線學習52-55
• 4.5 本章小結(jié)55-57
• 第5章 發(fā)動機系統(tǒng)可靠性預測模型建立與仿真57-72
• 5.1 引言57-58
• 5.2 預測模型建立58-59
• 5.2.1 IEKF-LSSVM模型58
• 5.2.2 IUKF-LSSVM模型58-59
• 5.3 性能評價指標59-60
• 5.4 仿真實驗60-71
• 5.4.1 實驗數(shù)據(jù)預處理60-62
• 5.4.2 實驗結(jié)果與分析62-71
• 5.5 本章小結(jié)71-72
• 總結(jié)與展望72-74
• 參考文獻74-78
• 攻讀碩士期間發(fā)表的學術(shù)論文78-79
• 致謝79

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 魯峰;黃金泉;呂怡秋;仇小杰;;基于非線性自適應濾波的發(fā)動機氣路部件健康診斷方法[J];航空學報;2013年11期

2 尤志鋒;石全;胡起偉;劉天斌;;基于支持向量回歸的任務復雜性綜合評估模型[J];計算機仿真;2013年12期

3 杜京義;侯媛彬;;基于遺傳算法的支持向量回歸機參數(shù)選取[J];系統(tǒng)工程與電子技術(shù);2006年09期

4 彭令;牛瑞卿;吳婷;;時間序列分析與支持向量機的滑坡位移預測[J];浙江大學學報(工學版);2013年09期

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 胡駿;支持向量機理論及其應用[D];武漢科技大學;2011年

  本文關鍵詞：基于最小二乘支持向量回歸的系統(tǒng)可靠性預測，由筆耕文化傳播整理發(fā)布。

，

本文編號：403578