吉林大学学报（信息科学版）
吉林大學學報（信息科學版）
길림대학학보（신식과학판）
Journal of Jilin University(Information Science Edition)
2015年
4期
476-484
,共9页
支持向量机%混沌人工蜂群算法%参数优化%齿轮故障诊断
支持嚮量機%混沌人工蜂群算法%參數優化%齒輪故障診斷
지지향량궤%혼돈인공봉군산법%삼수우화%치륜고장진단
support vector machine (SVM)%chaotic artificial bee colony (CABC) algorithm%parameter optimization%gear fault diagnosis
为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响,提出了基于混沌人工蜂群算法的支持向量机(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法.该方法采用Logistic混沌映射初始化种群和锦标赛选择策略,对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数.通过UCI标准数据集实验证明,CABC具有较强的局部和全局搜索能力,其优化的支持向量机可在很大程度上克服局部极值点,从而获取更高的分类准确率,并有效缩短了搜索时间.将该方法应用于实际齿轮故障诊断中,采用小波相对能量作为特征输入支持向量机,分类准确率达到99.4％,验证了该方法的可行性和有效性.
為剋服支持嚮量機中模型參數的隨意選擇對分類性能造成的不利影響,提齣瞭基于混沌人工蜂群算法的支持嚮量機(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support Vector Machine)參數優化方法.該方法採用Logistic混沌映射初始化種群和錦標賽選擇策略,對支持嚮量機的懲罰因子和覈函數參數進行優化時以分類準確率作為適應度函數.通過UCI標準數據集實驗證明,CABC具有較彊的跼部和全跼搜索能力,其優化的支持嚮量機可在很大程度上剋服跼部極值點,從而穫取更高的分類準確率,併有效縮短瞭搜索時間.將該方法應用于實際齒輪故障診斷中,採用小波相對能量作為特徵輸入支持嚮量機,分類準確率達到99.4％,驗證瞭該方法的可行性和有效性.
위극복지지향량궤중모형삼수적수의선택대분류성능조성적불리영향,제출료기우혼돈인공봉군산법적지지향량궤(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support Vector Machine)삼수우화방법.해방법채용Logistic혼돈영사초시화충군화금표새선택책략,대지지향량궤적징벌인자화핵함수삼수진행우화시이분류준학솔작위괄응도함수.통과UCI표준수거집실험증명,CABC구유교강적국부화전국수색능력,기우화적지지향량궤가재흔대정도상극복국부겁치점,종이획취경고적분류준학솔,병유효축단료수색시간.장해방법응용우실제치륜고장진단중,채용소파상대능량작위특정수입지지향량궤,분류준학솔체도99.4％,험증료해방법적가행성화유효성.
