版權(quán)說(shuō)明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、電子科技大學(xué)碩士學(xué)位論文加權(quán)支持向量機(jī)在可靠性預(yù)測(cè)中的應(yīng)用姓名：王鑫申請(qǐng)學(xué)位級(jí)別：碩士專業(yè)：電路與系統(tǒng)指導(dǎo)教師：楊波20080501ABSTRACTABSTRACTAsthedevelopingofmodernindustrythereliabilityofproductshasbecomemoreandmoreimportantAprecisereliabilitypredictionofanindustrialmanufacture
2、Canhelpdiscoveraseriesofproblemsthatmaybefoundduringitslifetimeassoonaspossible，whichmayleadtoaneasiercontroltothelifecycleTherefore，theresearchfortheprecisereliabilitypredictionissignificantinmodernsystemengineeringTrad
3、itionalfunctionsinreliabilitypredictionaremainlyconstitutedofthemodelsthosehavealreadygotefficientimplementationsinthefieldofnonlinearregression，includingtheLifecycleDistributionModel，theFaultTreeAnalysis(FTA)，theMonteCa
4、rloModelandtheArtificialNeuralNetwork(ANN)，eta1TheANN，whichmaybeespeciallymentioned，hasbecomeanimportantfieldthatabsorbsglobalresearchers’attentionsforitsgreatprecisionofsamplingfit，andthushasgotmanyimprovedmodelsHowever
5、theANNstillremainssomelimitationsinitsowntheoryTheprincipleofminimizingtheempiricalrisk，whichleadstoan“overfit’’thatlimitstheabilityofgeneralizationoftrainingmachine，isthemainoneOntheotherhand，trainingforANNneedsalotofsa
6、mpleswhilethesamplesinarealworldmayusuallymeetalimitSo，inmostsituations，there’SnosatisfyingprecisionforpredictioninanANNwithoutenoughsamplesSupportVectorMachine(SVM)，whichismainlyusedinpatternrecognitionproblemsatthebegi
7、nning，isafreshmachinestudymethodputforwardbyVapnikusingstatisticsprinciplesinearly1990sAstheimportof￡insensitivelossfunction，SVMhasalreadybeenextendedintheregressionestimationofnonlinearsystems，andhasrepresenteditsgoodst
8、udyabilityinregressionunderthesituationofsolvingsmallsampleSVMmakesminimizingofstructureriskasitscriteria，andgetsbothsatisfyingprecisionandgreatextendingabilityindatafittingInaddition，thesolutionsofSVMtransformtothesolut
9、ionsofquadraticprogrammingproblemsatlastSVMisthustheonlysolutionandtheglobaloptimalsolutiontooAspeople’SindepthstudyingofSVMtheorynewSVMswerebeingbuiltInthepredictionofreliabilitydatasampledindifferenttimemadedifferentef
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 加權(quán)支持向量機(jī)在可靠性預(yù)測(cè)中的應(yīng)用.pdf
- 基于支持向量機(jī)的軟件可靠性早期預(yù)測(cè)研究.pdf
- 支持向量機(jī)在股票預(yù)測(cè)中的應(yīng)用
- 支持向量機(jī)在電力系統(tǒng)可靠性分析中的應(yīng)用研究.pdf
- 基于支持向量機(jī)的軟件可靠性模型研究.pdf
- 支持向量機(jī)在空調(diào)負(fù)荷預(yù)測(cè)中的應(yīng)用.pdf
- 基于支持向量機(jī)的可靠性優(yōu)化設(shè)計(jì)方法研究.pdf
- 基于加權(quán)支持向量機(jī)的短期負(fù)荷預(yù)測(cè).pdf
- 基于支持向量機(jī)的邊坡可靠性分析.pdf
- 支持向量機(jī)在股市預(yù)測(cè)中的分析與應(yīng)用.pdf
- 支持向量機(jī)在預(yù)測(cè)股票波浪走勢(shì)中的應(yīng)用.pdf
- 加權(quán)改進(jìn)的支持向量機(jī)在低信噪比語(yǔ)音識(shí)別中的應(yīng)用.pdf
- 支持向量機(jī)在基坑變形預(yù)測(cè)中的應(yīng)用研究.pdf
- 支持向量機(jī)在井壁安全預(yù)測(cè)中的應(yīng)用
- 支持向量機(jī)在金融市場(chǎng)預(yù)測(cè)中的應(yīng)用.pdf
- 支持向量機(jī)在注視探知與視頻預(yù)測(cè)中的應(yīng)用.pdf
- 支持向量機(jī)的AOSVR算法及其在股票預(yù)測(cè)中的應(yīng)用.pdf
- 基于最小二乘支持向量回歸的系統(tǒng)可靠性預(yù)測(cè).pdf
- 結(jié)構(gòu)可靠性設(shè)計(jì)的多輸入輸出支持向量機(jī)方法.pdf
- 灰色支持向量機(jī)在小樣本預(yù)測(cè)中的應(yīng)用研究.pdf
評(píng)論
0/150
提交評(píng)論