加权支持向量回归机在传感阵列模式识别中的应用.pdfVIP

加权支持向量回归机在传感阵列模式识别中的应用 彭姝迪1，林静玉2，周渠3，李孟励3 (1．重庆电力科学试验研究院。重庆，401123；2．四川省达州电业局，635000；3．重庆大学输配电装 备及系统安全与新技术国家重点实验室400030) 摘要：加权支持向量I司归机在图像处理、数据分析及故障诊断等领域得到了很好的应用。论文针对传统神经网络模式 识别中存在网络结构难于确定、过学习、收敛速度慢、易陷入局部极小值等不足及标准支持向量回归机中未考虑各样本 重要性的差异问题，结合变压器油中多组分气体监测传感器阵列，将加权支持向量回归机应用于气体传感器阵列信号模 式识别中．实验结果表明，该模式识别方法在预测精度和泛化能力上都较传统神经网络和标准支持向量回归模式识别方 法有明显提高，有效地解决了多组分气体监测传感器的交叉敏感问题。 关键词：加权支持向量回归机；气体传感阵列：模式识别 l引言 在描述优化问题时，每个样本数据应具有不同的 模式识别是传感器阵列检测中的关键技术之 误差要求和惩罚系数，即每个￡、C不同，从而得到 一，目前，所采用的模式识别方法较多。国际上应 更准确的回归估计，为此，论文提出了一种改进 用最为广泛的传感器阵列模式识别算法包括：参 型支持向量机模型——加权支持向量机，该模型 数化的多元统计方法和非参数化的人工神经网络 很好地体现了上述特征。 与专家系统。 它们各有优缺点，多元统计方法通 论文基于变压器油中多组分气体监测传感器 常缺乏自学习能力，一般用于可视化和数据预处 阵列，针对不同温度下各样本数据重要性的差异， 理等辅助分析过程。另外，传感器阵列信号在本质 在标准回归模型的基础上，构建给各个样本的惩 上是非线性的，无法J}}j简单的变换完全消除，而 罚系数C和误差要求参数￡赋予不同权重系数的 且样本之间变异极小不能建立有效的统计模型， 加权支持向量机模型，将改进的SVR模型应用于气 导致这种线性方法在信息处理中缺乏鲁棒性…。 体传感器阵列信号模式识别中，并将预测结果与 人工神经网络的引入可以弥补这些不足，它能够 传统BP神经网络及标准SVM方法进行对比，显示 有效地解决非线性映射问题，但是也存在网络结 了较优的预测精度。 构雉于确定、过学习、收敛速度慢、易陷入局部 2标准回归支持向量机 极小值以及!学习结果泛化性能不强旧’副等缺陷。因 假 设 给 定 了 训 练 数 据 此如何设计或改进模式识别算法使之适合处理相 {(玉，弘)，f=1，2，…，z}，其中‘∈R4是第f个学 应传感器阵列信息是一直在研究的课题。 习样本的输入值，且为一d维列向量 支持向量机(SVM)是一种新的基于统计学习 理论的机器学习方法，它具有严格的数学基础， 五=lz，#，…，彩|』，咒∈R为对应的目标值。 建立在结构风险最小化的准则上克服了传统神经 先定义线性￡不敏感损失函数为： 网络的以上不足，在统计样本量较少的情况下具 有良好的统计规律和很好的泛化能力，目前主要 应用于模式分类和回归分析[4，53。SVM在很多领 [Y-f(工)I。=t；一，(x)一s；yy一-，f((Jx))Il-￡￡ 域如图像处理[6]、数据分析[7]、分类[8]及故障 (1) 诊断[9]等得到了成功的应用。SⅦ方法最早是针 即如果目标值Y和经过学习构造的回归估计函数 对模式识别问题提出米的，随着￡不敏感损失函 数的引入，SVM已推广到非线性系统的同归函数估 的值，(工)之间的差别小于￡，则损失等于o。支持 计，并展现了较好的学习