基于支持向量机的水电故障分类器的设计与实现
【摘要】:水电故障纷繁复杂,传统水电仿真系统中的推理机制已不能满足实际需要,使用数据挖掘进行故障分类来代替原有的推理机制是对本领域新的尝试。通过水电仿真系统的开发,人们意识到传统的故障仿真功能培训学员意义有限,而且人为的设计并用计算机程序实现水电故障很难保证其准确性,这些缺陷催生新技术的应用。应用数据挖掘技术的支持向量机方法来进行水电故障分类研究对水电仿真系统的优化以及实用性均具有重要的现实意义。
本文首先将水电故障表示为最易理解的自然语言形式,利用向量空间模型以及中文分词技术并根据TF-IDF权值算法将故障描述为以词为单位的加权向量形式。然后,针对水电故障的向量形式描述,本文采用支持向量机技术进行故障分类。本文还介绍了支持向量机的相关技术如核函数的选择等,并详细分析了针对多故障分类的支持向量机算法。
为了提高水电故障分类的准确性,本文引入了半监督学习方法,半监督学习能更好的利用大量的无标识样本数据,提高准确度的同时也兼顾效率。另外本文还提出了一种改进的直推式支持向量机学习算法CPTSVM,通过实验表明该算法能提高半监督学习准确率并减少算法的复杂度。
最后本文设计并实现了一个基于CPTSVM的水电故障分类器,该分类器的查准率和查全率等评价指标均达到应用要求,可通过此分类器达到水电故障分类诊断的目的,而且可以预见其在通用型水电仿真系统中具有很好的应用前景。
|
|
|
|
1 |
吕宏伟;;一种改进的半监督增量SVM学习算法[J];科学技术与工程;2010年01期 |
2 |
张健沛;赵莹;杨静;;最小二乘支持向量机的半监督学习算法[J];哈尔滨工程大学学报;2008年10期 |
3 |
阎辉,张学工,李衍达;支持向量机与最小二乘法的关系研究[J];清华大学学报(自然科学版);2001年09期 |
4 |
吴成东,杜崇峰,杨丽英;基于误差修正码的支持向量机大类别分类方法[J];沈阳建筑工程学院学报(自然科学版);2004年01期 |
5 |
朱金好,罗晓萍;基于决策树型SVM的交通标志图像识别[J];长沙理工大学学报;2004年02期 |
6 |
胡桥,何正嘉,张周锁,訾艳阳;经验模式分解模糊特征提取的支持向量机混合诊断模型[J];西安交通大学学报;2005年03期 |
7 |
杨凌,刘玉树;基于支持向量机的坦克识别算法[J];影像技术;2005年02期 |
8 |
胡正平;基于模糊K近邻决策的柔性SVM分类算法[J];仪器仪表学报;2005年S2期 |
9 |
李忠伟,张健沛,杨静;基于支持向量机的增量学习算法研究[J];哈尔滨工程大学学报;2005年05期 |
10 |
王春歆;李连;张玉叶;;树形结构SVMs多类分类的研究[J];海军航空工程学院学报;2005年02期 |
11 |
李亚巍;卞双;;支持向量回归机理论及其应用[J];中国电力教育;2005年S2期 |
12 |
任博;张喜斌;张恒喜;;基于最小二乘支持向量机的飞机备件多元分类[J];电光与控制;2006年02期 |
13 |
肖汉光;蔡从中;王万录;;利用支持向量机SVM~★识别车辆类型[J];重庆大学学报(自然科学版);2006年01期 |
14 |
潘翔;李洁冰;;一种基于支持向量机的目标定位方法[J];浙江大学学报(工学版);2006年03期 |
15 |
于昕;韩崇昭;雷明明;;支持向量机在目标分类中的应用[J];电光与控制;2006年04期 |
16 |
韦振中;黄廷磊;;基于支持向量机和遗传算法的特征选择[J];广西工学院学报;2006年02期 |
17 |
涂宏斌;周新建;;一种基于支持向量机的轴承表面缺陷检测方法[J];华东交通大学学报;2006年04期 |
18 |
涂宏斌;周新建;;基于支持向量机的轴承表面缺陷检测[J];现代制造工程;2006年09期 |
19 |
廖杰;王文圣;李跃清;黄伟军;;支持向量机及其在径流预测中的应用[J];四川大学学报(工程科学版);2006年06期 |
20 |
王锐;胡容兵;王志勇;;基于支持向量机的武器装备批量生产经济性分析[J];海军航空工程学院学报;2006年06期 |
|