基于MultiBoost的集成SVM網(wǎng)絡(luò)故障診斷.pdf

1、中圖分類(lèi)號(hào)：UDC：TP391620密級(jí)：學(xué)校代碼：訝業(yè)￡i；予為尤學(xué)碩士學(xué)位論文(學(xué)歷碩士)公開(kāi)10094基于MultiBoost的集成SVM網(wǎng)絡(luò)故障診斷TheIntegratedSVMNetworkFaultDiagnosisBasedonMultiBoost研究生姓名：指導(dǎo)教師：學(xué)科專(zhuān)業(yè)：研究方向：論文開(kāi)題日期：李翔呂鋒教授無(wú)線電物理通信系統(tǒng)與網(wǎng)絡(luò)2013年3月10日摘要基于數(shù)據(jù)驅(qū)動(dòng)的網(wǎng)絡(luò)故障診斷其實(shí)質(zhì)為一種模式識(shí)別問(wèn)題，系統(tǒng)中分

2、類(lèi)機(jī)的構(gòu)造在網(wǎng)絡(luò)故障診斷問(wèn)題中至關(guān)重要。支撐向量機(jī)(SupportVectorMachineSVM)以其出色的非線性分類(lèi)能力及良好的泛化性能在分類(lèi)問(wèn)題中取得了良好的分類(lèi)效果。鑒于此，SVM及其改進(jìn)算法在網(wǎng)絡(luò)故障診斷中得到了較為廣泛的應(yīng)用。SVM算法使用時(shí)，需要設(shè)定由軟間隔分類(lèi)所需的規(guī)則化參數(shù)C和高斯核函數(shù)的高斯寬度(盯)。通常，參數(shù)(C，盯)的選取對(duì)分類(lèi)機(jī)的性能影響較大。以往參數(shù)(C，盯)的設(shè)定主要依據(jù)經(jīng)驗(yàn)給定或?qū)嶒?yàn)窮舉，但此法帶有一定

3、的不確定性和隨機(jī)性。本文將優(yōu)化理論中的遺傳算法應(yīng)用于SVM的參數(shù)尋優(yōu)，將標(biāo)準(zhǔn)遺傳算法改進(jìn)為一種荷爾蒙調(diào)節(jié)的自適應(yīng)遺傳算法(HormoneModulationGeneticAlgorithmHMGA)，以得到最優(yōu)參數(shù)(C，仃)。集成學(xué)習(xí)(EnsembleLearning)方法，可將多個(gè)SVM分類(lèi)機(jī)進(jìn)行集成，利用組合決策分類(lèi)來(lái)提高分類(lèi)的準(zhǔn)確率。多重提升(MultiBoostMB)算法將經(jīng)典算法自適應(yīng)提升(AdaptiveBoostAB)與袋

4、裝(Bagging)算法進(jìn)行統(tǒng)一構(gòu)造，分別利用AB具有較強(qiáng)減小偏差(Bias)的能力和Bagging較強(qiáng)減小方差的能力降低分類(lèi)誤差。為提高網(wǎng)絡(luò)故障診斷系統(tǒng)中分類(lèi)機(jī)的分類(lèi)準(zhǔn)確率、減小分類(lèi)誤差，本文提出了一種基于多重提升的荷爾蒙調(diào)節(jié)遺傳支撐向量機(jī)方法一一ⅫSvM(MultiBoostHormoneModulationGeneticAlgorithmSVM一瑚SVM)。將經(jīng)過(guò)HMGA參數(shù)優(yōu)化后的SVM分類(lèi)機(jī)作為基分類(lèi)機(jī)(BasedLearne