發(fā)布時間：2018-08-19 10:35

【摘要】：在支持向量機(SVM)基礎(chǔ)上拓展出的最小二乘支持向量機(LS-SVM)非線性泛化能力更好,具有較高的擬合和預測精度,目前被廣泛應用于設(shè)備狀態(tài)趨勢預測中。為進一步提高其預測精度,結(jié)合基于同源信息融合的全矢譜技術(shù)提出一種新的趨勢預測方法——全矢LS-SVM。該方法采用全矢譜技術(shù)融合雙通道信息,相比傳統(tǒng)單通道信號提取方法,保障LS-SVM預測數(shù)據(jù)特征提取的完整性,提高預測精度。將該方法應用于某電廠1號汽輪機振動數(shù)據(jù)的預測,實驗結(jié)果表明,全矢LS-SVM方法具有較高的預測精度。
[Abstract]:Based on the support vector machine (SVM), the least squares support vector machine (LS-SVM) has better nonlinear generalization ability and higher fitting and prediction accuracy, so it is widely used in equipment state trend prediction. In order to further improve the prediction accuracy, a new trend prediction method, full vector LS-SVM, is proposed in combination with the full vector spectrum technique based on homologous information fusion. Compared with the traditional single-channel signal extraction method, this method uses full-vector spectrum technology to fuse two-channel information, which ensures the integrity of LS-SVM prediction data feature extraction and improves the prediction accuracy. The method is applied to the prediction of vibration data of No. 1 steam turbine in a power plant. The experimental results show that the full-vector LS-SVM method has a high prediction accuracy.
【作者單位】： 鄭州大學振動工程研究所;
【基金】：國家自然科學基金資助項目(51405453) 河南省教育廳科學技術(shù)研究重點項目指導計(13B603970.0) 河南省高等學校精密制造技術(shù)與工程重點學科開放實驗室開放基金資助項目(PMTE201302A)
【分類號】：TH17

【相似文獻】

相關(guān)期刊論文 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機和小波分解的氣體識別研究[J];儀器儀表學報;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機的一個邊界樣本修剪方法[J];合肥工業(yè)大學學報(自然科學版);2006年07期

3 張菁華;袁鑫;劉達;;基于支持向量機的電力工程最優(yōu)投標報價決策研究[J];山東電力高等�？茖W校學報;2006年04期

4 張濤;段淑敏;;支持向量機在中醫(yī)疾病癥候診斷中的應用[J];華北水利水電學院學報;2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機回歸[J];清華大學學報(自然科學版);2007年S2期

6 陳丹;;多類支持向量機算法的研究[J];東莞理工學院學報;2007年05期

7 程麗麗;張健沛;馬駿;;一種改進的加權(quán)邊界調(diào)節(jié)支持向量機算法[J];哈爾濱工程大學學報;2007年10期

8 宋召青;崔和;胡云安;;支持向量機理論的研究與進展[J];海軍航空工程學院學報;2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機[J];黑龍江交通科技;2008年12期

10 許超;運士偉;舒云星;;基于支持向量機的混凝土測強換算模型[J];洛陽理工學院學報(自然科學版);2008年02期

相關(guān)會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術(shù)與應用（CACIS）學術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術(shù)應用學術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：2191411