支持向量機模型優(yōu)化方法及其在旋轉機械智能診斷中的應用.pdf

1、故障診斷通常被看做模式識別問題，支持向量機在解決小樣本、非線性及高維模式識別中表現(xiàn)出諸多特有優(yōu)勢，因此它在旋轉機械智能診斷領域獲得廣泛關注，并且成為其中一項重要技術。特征選擇和參數(shù)選擇是支持向量機模型優(yōu)化方法中的兩個重要方面，它們是保障支持向量機在旋轉機械智能診斷中成功應用的關鍵技術。特征選擇技術旨在保留有效特征并去除冗余特征以提高模型的執(zhí)行效率和魯棒性，參數(shù)選擇技術則用于選擇最優(yōu)參數(shù)提高模型泛化能力。
　　本文圍繞支持向量機模型

2、優(yōu)化方法及其在旋轉機械智能診斷中的應用開展研究，主要創(chuàng)新和工作如下：
　?。?）針對如何高效且準確地評價非線性特征的問題，提出了一種基于多維統(tǒng)計量類分離度的特征評價準則，并在此基礎上提出了一種基于多評價準則融合的特征選擇算法。該算法具有識別非線性特征的能力，并且從有效性和相關性兩方面出發(fā)，對特征進行全面綜合評價，避免了單一特征評價準則的局限性。實驗結果表明，該算法能夠準確識別故障敏感特征，降低特征集的冗余度和模型復雜度，提高支持向

3、量機的分類準確率。
　?。?）針對如何改進支持向量機參數(shù)的搜索范圍以降低評價準則迭代過程帶來的高計算復雜度和提高搜索算法的收斂速度的問題，提出了一種基于“好區(qū)”識別模型的參數(shù)選擇算法，對優(yōu)秀參數(shù)與不良參數(shù)區(qū)域之間的不規(guī)則邊界進行估計，進而在不涉及支持向量機模型訓練的條件下，判斷相應參數(shù)的性能。實驗結果表明，結合網(wǎng)格搜索算法，本算法能夠準確識別非矩形“好區(qū)”，減少參數(shù)選擇的搜索范圍，提高支持向量分類器參數(shù)選擇的計算效率。