收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于模糊C均值及粒子群参数优化的支持向量机故障诊断方法研究

李娜  
【摘要】:支持向量机是一种在统计学习理论基础上发展起来的新型的机器学习方法。在解决小样本问题、高维问题和局部极值的问题时表现出了十分优良的特性,另外,支持向量机还具有十分简单的结构,这两点决定了支持向量机在人工智能领域的特殊性,且适于应用在故障诊断领域。 由于支持向量机的训练样本具有冗余性,有些训练样本距离分类面很远,并且还不会对分类结果产生很大的影响,这些样本是可以剔除的。另外,支持向量机的参数选择对分类结果也会有影响,因此本文以减少支持向量机训练时间,提高分类器准确率为出发点,对支持向量机训练样本的预处理和参数优化进行了研究和改进。 故障诊断问题是十分复杂的,故障诊断技术的发展是向着智能信息处理技术前进的。本文主要是研究基于模糊C均值的支持向量机训练样本预处理及粒子群参数优化的支持向量机的故障诊断方法,探索新的、更高效、精度更高的故障诊断分类方法。 本文首先为了对支持向量机的冗余训练样本进行预处理,研究了基于模糊C均值算法的支持向量机的实现,并通过数值试验来验证了模糊C均值算法对支持向量机训练样本的处理效果,结果表明,在分类准确率相差不大的情况下,使用模糊C均值算法对支持向量机的训练样本进行预处理的分类时间被大大缩短了。接着研究了基于粒子群算法的最小二乘支持向量机的参数优化问题,给出了算法的步骤并进行了数值验证,得出采用粒子群算法对参数进行优化可以提高分类准确率的结论。在分别验证了使用这两种方法对算法的改进作用之后,最后将两者结合,采用基于模糊C均值和粒子群参数优化的最小二乘支持向量机来对滚动轴承故障数据进行了分类测试,通过与传统向量机、使用上述两种方法改进的支持向量机的比较,本文所提出的算法在保证较高的分类准确率的情况下,可以有效地减少训练时间,提高分类效率。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 张培林;钱林方;曹建军;任国全;;基于蚁群算法的支持向量机参数优化[J];南京理工大学学报(自然科学版);2009年04期
2 刘东平;单甘霖;张岐龙;段修生;;基于蚁群支持向量机的模拟电路故障诊断[J];电光与控制;2011年06期
3 刘璐;刘爱伦;;基于改进的遗传算法优化支持向量机的精馏塔故障诊断[J];华东理工大学学报(自然科学版);2011年02期
4 江志钢;张春良;岳夏;;基于支持向量机的机床故障诊断研究[J];装备制造技术;2009年12期
5 李太白;;基于混沌粒子群的SVM参数优化算法[J];重庆文理学院学报(自然科学版);2011年04期
6 何凡;刘光斌;;核函数在液压泵故障诊断中的应用研究[J];煤矿机械;2009年01期
7 李志农;韩捷;潘玉娜;李凌均;;机械故障矢功率谱—支持向量机识别方法研究[J];计算机工程与应用;2007年08期
8 田景文;吴浩;高美娟;;基于支持向量机的火车滚轴故障诊断[J];机床与液压;2007年07期
9 田路;田干;张炜;李亮;;基于支持向量机的涡轮泵故障诊断方法研究[J];控制工程;2007年S2期
10 吴洪兴;彭宇;彭喜元;;基于支持向量机多分类方法的模拟电路故障诊断研究[J];电子测量与仪器学报;2007年04期
11 韩俊英;刘成忠;;基于粗集的支持向量机在故障诊断中的应用[J];甘肃农业大学学报;2008年03期
12 黄亮;侯建军;刘颖;宋伟;李赵红;;基于相量分析与支持向量机的交流电路故障诊断[J];北京交通大学学报;2008年05期
13 林吉良;蒋静坪;;基于支持向量机的移动机器人故障诊断[J];电工技术学报;2008年11期
14 郭丽娟;孙世宇;段修生;;基于支持向量机的数字电路故障诊断研究[J];微计算机信息;2008年31期
15 吴景龙;杨淑霞;刘承水;;基于遗传算法优化参数的支持向量机短期负荷预测方法[J];中南大学学报(自然科学版);2009年01期
16 黄亮;侯建军;魏学业;宋伟;李赵红;;基于重分类与支持向量机的交流电路故障诊断[J];信号处理;2009年09期
17 马元良;裴生雷;;基于改进遗传算法的SVM参数优化研究[J];计算机仿真;2010年08期
18 周易;;基于支持向量机的上证指数开盘指数预测[J];软件;2011年05期
19 刘东,葛运建;基于SVM预测器的传感器故障诊断与信号恢复研究[J];传感技术学报;2005年02期
20 谢保川;刘福太;;支持向量机在模拟电路故障诊断中的应用[J];计算机仿真;2006年10期
中国重要会议论文全文数据库 前10条
1 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议(CACIS·2010)暨全国第2届安全关键技术与应用学术会议论文集[C];2010年
2 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年
3 黄淑云;孙兴玉;梁汝萍;邱建丁;;基于小波支持向量机预测蛋白质亚细胞定位研究[A];第十一届全国计算(机)化学学术会议论文摘要集[C];2011年
4 谢湘;匡镜明;;支持向量机在语音识别中的应用研究[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年
5 涂冬成;薛龙;刘木华;赵进辉;沈杰;吁芳;;基于支持向量机的鹅肉肉色客观评定研究[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年
6 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年
7 师旭超;巴松涛;;基于支持向量机方法的深基坑变形预测[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集(上册)[C];2004年
8 张军;;支持向量机方法在地下水位干扰排除中的初步应用[A];2007年地震流体学术研讨会论文摘要集[C];2007年
9 许建生;盛立东;;基于改进的支持向量机和BP神经网络的识别算法[A];第八届全国汉字识别学术会议论文集[C];2002年
10 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年
中国博士学位论文全文数据库 前10条
1 邢永忠;最小二乘支持向量机的若干问题与应用研究[D];南京理工大学;2009年
2 刘叶青;原始空间中支持向量机若干问题的研究[D];西安电子科技大学;2009年
3 常甜甜;支持向量机学习算法若干问题的研究[D];西安电子科技大学;2010年
4 胡运红;支持向量机的若干算法研究[D];山东科技大学;2011年
5 周喜川;非可信环境下的支持向量机研究[D];浙江大学;2010年
6 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年
7 王开义;基于支持向量机的农产品生产关键控制点发现研究[D];北京工业大学;2011年
8 杜小芳;基于CPFR的农产品采购模型研究[D];华中科技大学;2005年
9 刘育明;动态过程数据的多变量统计监控方法研究[D];浙江大学;2006年
10 栾锋;支持向量机(SVM)和径向基神经网络(RBFNN)方法在化学、环境化学和药物化学中的应用研究[D];兰州大学;2006年
中国硕士学位论文全文数据库 前10条
1 刘艳伟;支持向量机方法在感潮河段洪峰水位预报中的应用[D];浙江大学;2010年
2 杨镭;支持向量机算法设计及在高分辨雷达目标识别中的应用[D];国防科学技术大学;2010年
3 童振;基于支持向量机的电解液成分预测[D];东北大学;2008年
4 张永新;基于支持向量机和遗传算法相结合的模拟电路故障诊断方法研究[D];东北大学;2009年
5 聂小芳;模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D];辽宁工程技术大学;2009年
6 鄢常亮;基于支持向量机的高炉向凉向热炉况预测研究[D];内蒙古科技大学;2010年
7 韩叙东;基于支持向量机的水电故障分类器的设计与实现[D];东北大学;2008年
8 冯杰;慢时变对象的支持向量机建模与在线校正方法研究[D];东北大学;2009年
9 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年
10 王奇安;基于广泛内核的CVM算法研究及参数C的选择[D];南京航空航天大学;2009年
中国重要报纸全文数据库 前10条
1 黄安华;液压制动系统的故障诊断[N];中国汽车报;2002年
2 胡荣山 马巍;上海海大一课题列入国家“863”计划[N];中国船舶报;2007年
3 李萍;济钢EAM离线网络点检和故障诊断管理系统开发应用[N];世界金属导报;2007年
4 孙建阳 刘波;小型渔船柴油机故障诊断与排除[N];中国渔业报;2008年
5 小田;网卡故障诊断[N];中国电脑教育报;2000年
6 见习记者 仝亚娜;孙彦广:冶金故障诊断设备前景广阔[N];机电商报;2005年
7 陈全东;干式复合“粘边”故障诊断[N];中国包装报;2003年
8 龚献荣;大型天然气装置实现网络化监测[N];中国化工报;2005年
9 周传勇 杜慧;济钢网络化设备点检与故障诊断管理系统上线运行[N];世界金属导报;2008年
10 汤怀京;WLAN也有“线”[N];中国计算机报;2004年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978