基于MultiBoost的集成SVM網絡故障診斷.pdf

1、中圖分類號：UDC：TP391620密級：學校代碼：訝業(yè)￡i；予為尤學碩士學位論文(學歷碩士)公開10094基于MultiBoost的集成SVM網絡故障診斷TheIntegratedSVMNetworkFaultDiagnosisBasedonMultiBoost研究生姓名：指導教師：學科專業(yè)：研究方向：論文開題日期：李翔呂鋒教授無線電物理通信系統與網絡2013年3月10日摘要基于數據驅動的網絡故障診斷其實質為一種模式識別問題，系統中分

2、類機的構造在網絡故障診斷問題中至關重要。支撐向量機(SupportVectorMachineSVM)以其出色的非線性分類能力及良好的泛化性能在分類問題中取得了良好的分類效果。鑒于此，SVM及其改進算法在網絡故障診斷中得到了較為廣泛的應用。SVM算法使用時，需要設定由軟間隔分類所需的規(guī)則化參數C和高斯核函數的高斯寬度(盯)。通常，參數(C，盯)的選取對分類機的性能影響較大。以往參數(C，盯)的設定主要依據經驗給定或實驗窮舉，但此法帶有一定

3、的不確定性和隨機性。本文將優(yōu)化理論中的遺傳算法應用于SVM的參數尋優(yōu)，將標準遺傳算法改進為一種荷爾蒙調節(jié)的自適應遺傳算法(HormoneModulationGeneticAlgorithmHMGA)，以得到最優(yōu)參數(C，仃)。集成學習(EnsembleLearning)方法，可將多個SVM分類機進行集成，利用組合決策分類來提高分類的準確率。多重提升(MultiBoostMB)算法將經典算法自適應提升(AdaptiveBoostAB)與袋

4、裝(Bagging)算法進行統一構造，分別利用AB具有較強減小偏差(Bias)的能力和Bagging較強減小方差的能力降低分類誤差。為提高網絡故障診斷系統中分類機的分類準確率、減小分類誤差，本文提出了一種基于多重提升的荷爾蒙調節(jié)遺傳支撐向量機方法一一ⅫSvM(MultiBoostHormoneModulationGeneticAlgorithmSVM一瑚SVM)。將經過HMGA參數優(yōu)化后的SVM分類機作為基分類機(BasedLearne