發(fā)布時間：2017-03-21 05:04

  本文關(guān)鍵詞：支持向量機模型優(yōu)化方法及其在旋轉(zhuǎn)機械智能診斷中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：故障診斷通常被看做模式識別問題,支持向量機在解決小樣本、非線性及高維模式識別中表現(xiàn)出諸多特有優(yōu)勢,因此它在旋轉(zhuǎn)機械智能診斷領(lǐng)域獲得廣泛關(guān)注,并且成為其中一項重要技術(shù)。特征選擇和參數(shù)選擇是支持向量機模型優(yōu)化方法中的兩個重要方面,它們是保障支持向量機在旋轉(zhuǎn)機械智能診斷中成功應(yīng)用的關(guān)鍵技術(shù)。特征選擇技術(shù)旨在保留有效特征并去除冗余特征以提高模型的執(zhí)行效率和魯棒性,參數(shù)選擇技術(shù)則用于選擇最優(yōu)參數(shù)提高模型泛化能力。本文圍繞支持向量機模型優(yōu)化方法及其在旋轉(zhuǎn)機械智能診斷中的應(yīng)用開展研究,主要創(chuàng)新和工作如下:(1)針對如何高效且準(zhǔn)確地評價非線性特征的問題,提出了一種基于多維統(tǒng)計量類分離度的特征評價準(zhǔn)則,并在此基礎(chǔ)上提出了一種基于多評價準(zhǔn)則融合的特征選擇算法。該算法具有識別非線性特征的能力,并且從有效性和相關(guān)性兩方面出發(fā),對特征進行全面綜合評價,避免了單一特征評價準(zhǔn)則的局限性。實驗結(jié)果表明,該算法能夠準(zhǔn)確識別故障敏感特征,降低特征集的冗余度和模型復(fù)雜度,提高支持向量機的分類準(zhǔn)確率。(2)針對如何改進支持向量機參數(shù)的搜索范圍以降低評價準(zhǔn)則迭代過程帶來的高計算復(fù)雜度和提高搜索算法的收斂速度的問題,提出了一種基于“好區(qū)”識別模型的參數(shù)選擇算法,對優(yōu)秀參數(shù)與不良參數(shù)區(qū)域之間的不規(guī)則邊界進行估計,進而在不涉及支持向量機模型訓(xùn)練的條件下,判斷相應(yīng)參數(shù)的性能。實驗結(jié)果表明,結(jié)合網(wǎng)格搜索算法,本算法能夠準(zhǔn)確識別非矩形“好區(qū)”,減少參數(shù)選擇的搜索范圍,提高支持向量分類器參數(shù)選擇的計算效率。(3)以滾動軸承為研究對象,對內(nèi)圈故障、外圈故障、滾珠故障和三者復(fù)合故障類型進行試驗設(shè)計、數(shù)據(jù)采集與特征提取,建立基于支持向量機的智能診斷模型,并且利用本文提出的特征選擇與參數(shù)選擇模型優(yōu)化方法對滾動軸承智能診斷模型進行優(yōu)化。實驗結(jié)果表明,本文提出的支持向量機優(yōu)化方法能夠減少優(yōu)化時間,提高智能診斷模型的分類準(zhǔn)確率。
【關(guān)鍵詞】：支持向量機 特征選擇 參數(shù)選擇 旋轉(zhuǎn)機械 智能診斷
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TH165.3;TP18
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-16
• 1.1 研究目的及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 論文組織結(jié)構(gòu)13-16
• 第二章 支持向量分類器的基本理論16-26
• 2.1 支持向量機的研究現(xiàn)狀16
• 2.2 統(tǒng)計學(xué)習(xí)理論16-20
• 2.2.1 學(xué)習(xí)模型16-17
• 2.2.2 經(jīng)驗風(fēng)險最小化理論17
• 2.2.3 學(xué)習(xí)一致性理論17-18
• 2.2.4 VC維18
• 2.2.5 推廣誤差邊界18-19
• 2.2.6 結(jié)構(gòu)風(fēng)險最小化理論19-20
• 2.3 支持向量分類器20-25
• 2.3.1 最優(yōu)分類面20-23
• 2.3.2 廣義最優(yōu)分類面23
• 2.3.3 高維空間最優(yōu)分類面23-24
• 2.3.4 C-支持向量分類器24-25
• 2.4 多類支持向量分類器25
• 2.5 本章小結(jié)25-26
• 第三章 支持向量分類器的模型優(yōu)化方法——特征選擇26-45
• 3.1 引言26-27
• 3.2 特征選擇綜述27-29
• 3.3 基于多維統(tǒng)計量類分離度的特征評價準(zhǔn)則29-36
• 3.3.1 算法設(shè)計30-33
• 3.3.2 算法驗證33-36
• 3.4 基于多評價準(zhǔn)則融合的特征選擇算法36-43
• 3.4.1 算法設(shè)計36-39
• 3.4.2 算法驗證39-43
• 3.5 本章小結(jié)43-45
• 第四章 支持向量分類器的模型優(yōu)化方法——參數(shù)選擇45-56
• 4.1 引言45-46
• 4.2 參數(shù)選擇綜述46-48
• 4.3 基于“好區(qū)”識別模型的參數(shù)選擇算法48-55
• 4.3.1 算法設(shè)計49-51
• 4.3.2 算法驗證51-55
• 4.4 本章小結(jié)55-56
• 第五章 基于支持向量分類器的滾動軸承智能故障診斷方法56-77
• 5.1 故障實驗與數(shù)據(jù)采集56-60
• 5.2 支持向量機模型優(yōu)化方法在滾動軸承智能診斷中的應(yīng)用60-75
• 5.2.1 特征提取61-66
• 5.2.2 特征選擇66-69
• 5.2.3 參數(shù)選擇69-75
• 5.3 本章小結(jié)75-77
• 第六章 結(jié)論和展望77-79
• 6.1 工作總結(jié)77-78
• 6.2 工作展望78-79
• 致謝79-80
• 參考文獻80-86
• 攻碩期間取得的研究成果86-87

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 張昊;陶然;李志勇;杜華;;基于自適應(yīng)模擬退火遺傳算法的特征選擇方法[J];兵工學(xué)報;2009年01期

2 張冰凌;許英姿;潘全文;;智能故障診斷方法的研究和展望[J];飛機設(shè)計;2007年05期

  本文關(guān)鍵詞：支持向量機模型優(yōu)化方法及其在旋轉(zhuǎn)機械智能診斷中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

本文編號：259052