基于向量機(jī)的渦扇發(fā)動(dòng)機(jī)試車故障診斷.pdf

1、傳統(tǒng)以分類為手段的故障診斷都是在樣本數(shù)目足夠多的前提下進(jìn)行的，只有在樣本數(shù)趨于無窮時(shí)才能獲得較好的效果。但在實(shí)際問題中，很多試驗(yàn)只能取得有限樣本，這時(shí)原有方法難以取得理想的結(jié)果。發(fā)動(dòng)機(jī)試車數(shù)據(jù)通常是有限的，這時(shí)原有方法都難以取得理想的結(jié)果。然而，統(tǒng)計(jì)學(xué)習(xí)理論是專門為小樣本設(shè)計(jì)的，它的出現(xiàn)為研究有限樣本情況下的統(tǒng)計(jì)模式識(shí)別建立了一個(gè)較好的理論框架，并推出了一種新的模式識(shí)別方法——支持向量機(jī)。 支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的V

2、C維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的由Vapnik等人于1995年提出的一類新型機(jī)器學(xué)習(xí)方法，它能夠較好解決小樣本、非線性及高維數(shù)等模式識(shí)別問題。近年來SVM已在臉像識(shí)別、語音識(shí)別、文章分類等眾多領(lǐng)域得到了廣泛應(yīng)用。利用該方法進(jìn)行氣路故障診斷，在訓(xùn)練樣本相對較少的情況下，仍可得到較好的識(shí)別率。目前研究SVM的文章雖然較多，但關(guān)于如何解決SVM在工程中的一些實(shí)用方法的研究卻相對較少。此外，SVM參數(shù)選擇也一直是研究的熱點(diǎn)。對以上問題地研究都