煤矿机械
煤礦機械
매광궤계
COAL MINE MACHINERY
2010年
6期
241-243
,共3页
王晴晴%汪正东%黄衍法%赵小虎
王晴晴%汪正東%黃衍法%趙小虎
왕청청%왕정동%황연법%조소호
支持向量机%故障诊断%多分类%决策树%结点优化
支持嚮量機%故障診斷%多分類%決策樹%結點優化
지지향량궤%고장진단%다분류%결책수%결점우화
针对目前故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法一支持向量机(SVM),它在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题.在多故障诊断时,必须先进行多分类扩展,决策树是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,结点的排部影响了诊断的正确率,提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在故障诊断中获得良好效果.
針對目前故障診斷中,難以穫得大量的故障數據樣本以及診斷知識穫取睏難等不足,提齣瞭專門針對有限樣本的新一代機器學習的算法一支持嚮量機(SVM),它在樣本很少的情況下具有較好的汎化能力,比較適閤解決故障診斷小樣本情況的實際問題.在多故障診斷時,必鬚先進行多分類擴展,決策樹是一種性能優秀的多分類擴展策略,但該方法的決策結果與結點的排部密切相關,結點的排部影響瞭診斷的正確率,提齣一種根據故障數據的空間分佈來優化結點排部的方法,它能夠提高支持嚮量機診斷的正確率.採用該方法擴展的多分類支持嚮量機在故障診斷中穫得良好效果.
침대목전고장진단중,난이획득대량적고장수거양본이급진단지식획취곤난등불족,제출료전문침대유한양본적신일대궤기학습적산법일지지향량궤(SVM),타재양본흔소적정황하구유교호적범화능력,비교괄합해결고장진단소양본정황적실제문제.재다고장진단시,필수선진행다분류확전,결책수시일충성능우수적다분류확전책략,단해방법적결책결과여결점적배부밀절상관,결점적배부영향료진단적정학솔,제출일충근거고장수거적공간분포래우화결점배부적방법,타능구제고지지향량궤진단적정학솔.채용해방법확전적다분류지지향량궤재고장진단중획득량호효과.