摘要
支持向量机是基于结构风险最小化原则的分类方法,其模型的分类准确度及泛化能力取决于惩罚系数、核函数及核参数的选取。参数的选择通常采用经验法、试凑法或单目标优化法,上述方法费时费力且不能达到全局最优。文中选取错误分类率及支持向量占有率两个目标函数,采用多目标粒子群算法优化惩罚系数及核函数参数。训练阶段采用多目标粒子群算法产生多个优化解,测试阶段评估这些解的优劣。通过齿轮故障分类实例进行了设计方法的验证,首先对振动信号进行预处理,然后以小波包系数标准差并降维处理后作为分类器的输入特征向量,最后用本文方法区分4种典型故障,试验结果表明了设计方法的有效性,并证明了应用混合核函数的支持向量机分类具备较高的准确率及较强的泛化性能。
学科与关键词
关键词
故障诊断齿轮多目标粒子群优化支持向量机 fault diagnosisgearmulti-objective particle swarm optimizationsupport vector machine
- 支持向量机及其在机械故障诊断中的应用何学文赵海鸣中南大学学报(自然科学版), 2005, (01): 97-101.
- 改进粒子群算法优化SVM的故障诊断方法研究苗玉机械工程与自动化, 2019, (06): 14-15+18.
- 基于坝体沉降监测的ν-SVR参数优化方法研究丛康林; 岳建平; 席广永测绘通报, 2013, (11): 40-43.
