資源描述：
《基于支持向量機(jī)的故障診斷方法》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、摘要統(tǒng)計(jì)學(xué)習(xí)理論建立在縮構(gòu)風(fēng)險(xiǎn)娥小化原螨基礎(chǔ)上，它是專門針對少樣本情況下機(jī)器學(xué)習(xí)問題耐建立的一套新的理論體系，支持向量機(jī)就是柱統(tǒng)計(jì)學(xué)習(xí)理論這一基磁上發(fā)震怒柬粒一種耪貔捷器學(xué)露算法，它是統(tǒng)計(jì)學(xué)習(xí)理論囂翼終藏蘧。支持向量機(jī)目前主黎用于模式識別、回歸估計(jì)、概率密鷹函數(shù)估計(jì)等方面，故障診斷屬于橫式識別闋題。本文將支持向量機(jī)用予竣障診斷，建立了兩類分類器和多類分類器，討論了支持向爨梳的多類分類算法，并與神經(jīng)網(wǎng)絡(luò)的分類方法儆了對比，通道實(shí)例探討了支持向量機(jī)在故障診斷方面的有效性。本文驁先弓l入了綾詩學(xué)習(xí)理論瓣一些關(guān)鍵疆念：結(jié)稼最小訖滾涮幫Ve縫等，以說明支持向量
2、機(jī)具有良好的推廣性能，接著介紹了支持向量機(jī)的概念和求解過程，從中可看出支持淘量桃是一種熱饉化闖鼷，其鰓炎有全局凝優(yōu)豹特點(diǎn)。支持向量梳燎從線性磷分的分類情況下提出酶，著發(fā)展成糯來解決菲線性模式談剮聞題的有效手段，由于現(xiàn)實(shí)中存在的分類問題往往是非線性的，麒可能無法完全分開，文中主要禽終了賃予鯰理魏類翊題戇{}線性軟舞黼分類捉，鼗e一支持翔量分類機(jī)，并介紹了一種改進(jìn)的方法：P一支持向量分旋機(jī)，其參數(shù)I，具有～些直觀上的意義，避免了c一支持向量分類機(jī)中參數(shù)c沒有確切意義的缺點(diǎn)。在介紹了支持翻薰梳的鞠關(guān)理論藤，文章將支持自鬣稅懲在了滾動軸承、插涵機(jī)井和雙螺桿擠
3、出機(jī)的故障診斷上，重點(diǎn)討論了雙螺桿擠出機(jī)的多故障診斷。文章主要介緩了囂類數(shù)障分類器和多數(shù)漳分類囂爨建立，曉較了e～支持內(nèi)整分類捉鞠y一支持向爨分類機(jī)的性能以及“成對分類”和“一類對余類”兩種多類分類算法的優(yōu)缺點(diǎn)，同時(shí)，將神經(jīng)網(wǎng)絡(luò)應(yīng)用在同樣的實(shí)例上，反映了支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)在多釋本情囂下鶼推廣佳麓差異。實(shí)例表明支持向量機(jī)的兩種常用多類分類算法對相同的樣本具有不同的診叛結(jié)果，閹對逛說鹱了在少櫸本豹款漳診斷方囂支持肉攫瓤冀法其有良轉(zhuǎn)豹適疲性，相對神經(jīng)網(wǎng)絡(luò)方法其攤廣性能熙好。莢鍵譎；統(tǒng)幸}攀習(xí)瑾論；支持自藿橇；模式暇粼；敵簿診瑟；多艘障努類器：雙螺桿擠出機(jī)
4、Ⅱ基于支持彝囊援瓣馥瘴診羝方法AbstractStatisticallearningtheory(SLT)iSbasedonthestructuralriskminimization(SRM)principle，anditisanewsetoftheorysystem，whichspeciallyaimsatmachinelearningissuesunderthecircumstancesofsmall*sample．BasedonthisSl衛(wèi)supportingvectormachine(SVM)methodhasbeendevelopedas
5、anewmachinelearningalgorithmandalsopracticalapplicationsofSLT．Atpresent．itismainlyusedinthefieldsofpatternrecognition，regressionandprobabilitydensityfunctionestimation，etc．Faultdiagnosisispartofpatternrecognitionissues，inthisessay,SVMisappliedtoestablishtwo-faultclassifierandmu
6、lti—faultclassifierofmaterials，andthemulti-varietyalgorithmofSVMiSalsodiscussed。ExamplesareusedtomakeastudyofthevalidityofSVMinfaultdiagnosis，andtomakeacomparisonwithclassifierofneuralnetworkfNN)．Inthisessay,someimportantconceptsaboutSLTarefirstlyintrodueedi．e．SRMandVCdimension
7、toillustratethatSVMholdsexcellentcapabilityofgeneralization．Inaddition，theconceptandprocessofansweringofSVMiSalsointroducedtoillustratethatSVMisasortofconvexoptimizationissuewhoseanswerhascharacteristicsofglobaloptimum．SVMmethodiSpresented0ntheconditionofIinearclassifier,andhas
8、beendevelopedasaneffectivewayinsolvingproblemsofnonlin
