Hadoop平臺下的分布式SVM算法及其應用研究.pdf

1、隨著高速列車的快速發(fā)展，高速列車安全性問題逐漸引起人們的重視。高速列車振動監(jiān)測數(shù)據(jù)為分析列車服役性能提供了條件。然而，如何及時準確地從這些海量數(shù)據(jù)中挖掘故障特性進行故障診斷，是目前存在的難題。
　　與此同時，這幾年來互聯(lián)網(wǎng)技術迅猛發(fā)展，不斷涌現(xiàn)大規(guī)模數(shù)據(jù)信息，如何處理和利用如此大規(guī)模的信息，成為人們研究的熱點。支持向量機是一種高效的監(jiān)督式的機器學習方法，被廣泛應用于分類識別以及回歸分析等領域。但是傳統(tǒng)的SVM在面對大規(guī)模數(shù)據(jù)時，因

2、其時間復雜度較高和算法占用的內(nèi)存龐大，導致訓練效率特別慢為了解決這兩大難題，本文根據(jù)CascadeSVM算法對訓練模型進行適當?shù)恼{(diào)整與優(yōu)化。并將其應用于高速列車故障診斷中，對故障進行分類和定位。
　　首先本文深入的探討SVM算法的并行化。根據(jù)CascadeSVM算法，改進新的訓練模型，并通過模擬實驗，對比傳統(tǒng)SVM、分組SVM、CascadeSVM，考慮識別準確率和訓練效率兩大衡量標準，證明該分布式SVM算法兩者兼?zhèn)?，在處理大?shù)據(jù)

3、時能夠取得良好的結果。
　　然后將分布式SVM算法與Hadoop平臺結合，構建了并行化分布式SVM算法。并選取標準MNIST數(shù)據(jù)集進行實驗，實驗結果顯示數(shù)字總體識別率達到98％，加速比提高到3,從而說明該算法算法在識別結果準確率、并行化效率方面具有良好表現(xiàn)。
　　最后分析高速列車正常和故障振動數(shù)據(jù)時的時域、頻域特征。采用EEMD算法提取IMFs特征，運用分布式SVM算法對高速列車振動數(shù)據(jù)進行深層特征提取并進行故障分類。實驗結