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.pdf

1、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

2、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：
　?。?）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(jìn)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

3、量機的分類準(zhǔn)確率。
　　（2）針對如何改進(jìn)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(jìn)行估計，進(jìn)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。