基于贝叶斯置信框架的最小二乘支持向量机模型参数选择方法及SS_7型电力机车牵引电机建模.pdfVIP

第30卷 ，第6期 中 国 铁 道 科 学 Vo1．30 No．6 2009年 11月 CHINA RAILWAY SCIENCE November，2009 文章编号：1001—4632(2009)06—0061—06 基于贝叶斯置信框架的最小二乘支持向量机 模型参数选择方法及 SS7型电力机车 牵引电机建模 李 娜 ，刘明光 ，杨 恒。，王福忠。 (1．北京交通大学 电气工程学院，北京 100044；2．北京交通大学 电子信息工程学院，北京 100044； 3．河南理工大学 电气工程学院，河南 焦作 454000) 摘 要：利用贝叶斯置信框架推断 LS—SVM模型参数并建立贝叶斯 LS—sVM 曲线拟合模型。运用贝叶斯 Ls—sVM 曲线拟合模型对sS7型电力机车牵引电机的磁化曲线进行拟合。结果表明：贝叶斯 L SvM 曲线拟 合模型对ss7型电力机车牵引电机的磁化曲线拟合速度及精度均有较大地提高，小样本条件下的泛化能力更好。 依据贝叶斯L sVM 曲线拟合模型建立了SS,型电力机车牵引电机的仿真模型。仿真计算表明，所建的s 型 电力机车牵引电机仿真模型与机车牵引电机实际运行状况吻合，可用于对 SS7型电力机车主电路性能及控制策 略的研究。 关键词：贝叶斯推断；最xJ~z2乘支持向量机；建模；曲线拟合；电力机车；牵引电机；主电路 中图分类号：U264．1：O241．5 文献标识码：A 目前针对非线性系统的建模主要有 3种方 对于 1个非线性系统，假定训练样本集为 法E：①忽略系统的非线性；②采用分段线性化； {( ，Y)，i一 1，2，…，} (1) ③用神经网络处理非线性。但这些方法均会影响非 式中：X 为输入样本，蕾ER ；Y 为对应的目标 线性系统建模的精确性。而最小二乘支持向量机 值，YER；Z为相应的样本数 。 (IS—SVM模型)将标准支持向量机需求解的二 依据文献 [6]，对 IS—SVM模型的优化问题 次规划 问题转变为线性 问题，简化 了计算，弥补了 可以用下式描述 ： 神经网络处理非线性问题时过分依赖经验选择结构 minJ1(，)一1w+ D 和极易陷入局部极小点的缺陷_2]，因此在回归问 W tP 一 题中得到了很好的应用_4]。但 Is—sVM模型采 一 1I1wII4- ∑P (2) 用交叉验证确定模型参数耗时较长，因此本文提出 2— 1 ． —． 1 利用贝叶斯置信框架来推断LS—SVM模型的模型 其中， 一1¨，T；ED一1∑ 2。 i— I 参数，以提高Ls—sVM模型的建模时间。通过采 式 (2)的约束条件为 用贝叶斯 IS—S