论文部分内容阅读
统计学习理论建立在结构风险最小化原则基础上,它是专门针对少样本情况下机器学习问题而建立的一套新的理论体系,支持向量机就是在统计学习理论这一基础上发展起来的一种新的机器学习算法,它是统计学习理论的具体应用。支持向量机目前主要用于模式识别、回归估计、概率密度函数估计等方面,故障诊断属于模式识别问题。本文将支持向量机用于故障诊断,建立了两类分类器和多类分类器,讨论了支持向量机的多类分类算法,并与神经网络的分类方法做了对比,通过实例探讨了支持向量机在故障诊断方面的有效性。本文首先引入了统计学习理论的一些关键概念:结构最小化原则和VC维等,以说明支持向量机具有良好的推广性能,接着介绍了支持向量机的概念和求解过程,从中可看出支持向量机是一种凸优化问题,其解具有全局最优的特点。支持向量机是从线性可分的分类情况下提出的,并发展成用来解决非线性模式识别问题的有效手段,由于现实中存在的分类问题往往是非线性的,且可能无法完全分开,文中主要介绍了用于处理此类问题的非线性软间隔分类机,即C -支持向量分类机,并介绍了一种改进的方法:ν-支持向量分类机,其参数ν具有一些直观上的意义,避免了C -支持向量分类机中参数C没有确切意义的缺点。在介绍了支持向量机的相关理论后,文章将支持向量机用在了滚动轴承、抽油机井和双螺杆挤出机的故障诊断上,重点讨论了双螺杆挤出机的多故障诊断。文章主要介绍了两类故障分类器和多故障分类器的建立,比较了C -支持向量分类机和ν-支持向量分类机的性能以及“成对分类”和“一类对余类”两种多类分类算法的优缺点,同时,将神经网络应用在同样的实例上,反映了支持向量机与神经网络在少样本情况下的推广性能差异。实例表明支持向量机的两种常用多类分类算法对相同的样本具有不同的诊断结果,同时也说明了在少样本的故障诊断方面支持向量机算法具有良好的适应性,相对神经网络方法其推广性能更好。