基于支持向量機的城市給水管網(wǎng)故障診斷研究.pdf

1、基于支持向量機的城市給水管網(wǎng)故障診斷研究重慶大學碩士學位論文（學術(shù)學位）學生姓名：卓嚴報指導教師：朱曉紅副教授專業(yè)：計算機應(yīng)用技術(shù)學科門類：工學重慶大學計算機學院二O一三年六月重慶大學碩士學位論文中文摘要I摘要支持向量機（SVM）是九十年代中期在統(tǒng)計學習理論（SLT）基礎(chǔ)上發(fā)展而來的機器學習技術(shù)。統(tǒng)計學習理論著重研究小樣本條件下的統(tǒng)計規(guī)律和學習方法，它為機器學習問題建立了一個很好的理論框架。支持向量機在小樣本情況下，運用結(jié)構(gòu)風險最小化原

2、則，具有非常優(yōu)秀的學習性能。支持向量機應(yīng)用于故障診斷的優(yōu)勢在于它適合于小樣本決策，其本質(zhì)就是一個模式分類問題，其學習方法的本質(zhì)在于能夠在有限特征信息情況下，最大限度地發(fā)掘數(shù)據(jù)中隱含的分類知識。從推廣性的角度來看，更適用于故障診斷這種實際的工程問題。本文首先闡述了支持向量機在故障診斷領(lǐng)域中的應(yīng)用及研究現(xiàn)狀。然后介紹了統(tǒng)計學習理論相關(guān)知識、支持向量機原理以及兩種主要的支持向量機多類分類算法，即“一對余類”和“成對分類“。支持向量機的性能受其

3、參數(shù)的影響很大，因此出現(xiàn)了很多優(yōu)化SVM相關(guān)參數(shù)的算法。本文從遺傳算法（GA）與粒子群優(yōu)化算法（PSO）的基本理論出發(fā)，研究探討其優(yōu)化SVM參數(shù)的能力與優(yōu)缺點。研究發(fā)現(xiàn)，遺傳算法具有高效的全局搜索能力，但也有收斂速度慢的缺點；而粒子群算法具有快速收斂的特性，但亦容易陷入局部最優(yōu)解。針對SVM在故障檢測中容易陷入診斷精度不高，參數(shù)尋優(yōu)、訓練速度慢，容易陷入局部最優(yōu)值以及泛化能力差的缺點，文中提出了建立基于遺傳算法與粒子群優(yōu)化算法對SVM參

4、數(shù)進行尋優(yōu)的算法。改進后的算法實現(xiàn)全局和局部搜索的平衡；比GASVM模型具有更高的診斷精度，在小樣本、非線性情況下更具優(yōu)勢，解決了過學習與欠學習問題；同時，其快速收斂的能力使算法能夠迅速收斂得出最優(yōu)解，比GASVM模型的計算時間短；該算法亦具有良好的魯棒性及泛化能力。最后，在實驗?zāi)M環(huán)境下，對小型城市給水管網(wǎng)模型進行故障診斷分析。通過實驗我們可以看到新的診斷模型的優(yōu)勢，在實際生產(chǎn)實踐中，基于支持向量機的故障診斷技術(shù)具有實際應(yīng)用意義，為工