第一章绪论-智能诊断与专家系统研究室-南京航空航天大学.doc

中图分类号 O211 论文编号102870 03-0038 学科分类号 070104 密级 公开 硕士学位论文 研究生姓名 周 伽 学科、专业 应用数学 研究方向 线性与非线性优化 指导教师 陈果 副教授 南京航空航天大学 研究生院 理学院 Nanjing University of Aeronautics and Astronautics The Graduate School College of science Research on non-classical mathematics applied to nonlinear time series forecasting A Thesis in Application mathmatics by Zhou Jia Advised by Chen Guo Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Science December, 2005  承诺书 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容外，本学位论文的研究成果不包含任何他人享有著作权的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标明。 本人授权南京航空航天大学可以有权保留送交论文的复印件，允许论文被查阅和借阅,可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存论文。 (保密的学位论文在解密后适用本承诺书) 日 期： 摘要 函数拟合是机器学习的重要研究内容，而以神经网络为代表的现代非经典数学方法在其中发挥了很大的优势，成为了目前机器学习的主要方法。 本文首先对重构相空间理论进行了研究；其次，将神经网络引入非线性时间序列预测，构造了神经网络预测模型，研究了影响神经网络预测精度的因素，利用遗传算法构造了结构自适应神经网络预测模型，并用国际标准数据和模拟数据进行了详细验证；然后，针对神经网络模型泛化能力差和训练不确定的缺陷，本文引入了基于统计学习理论的机器学习方法——支持向量机，构造了支持向量机预测模型，研究并实现了支持向量机的SMO(Sequential Minimal Optimization)快速算法，同时分析了支持向量机的模型参数选取问题，运用遗传算法实现了SMO预测模型参数的优化；最后用国际标准数据和模拟仿真数据验证了预测模型的正确性。 航空发动机是一个典型的复杂非线性系统，综合反映其工作状态的关键参数产生的时间序列是典型的非线性时间序列，对发动机的状态参数变化趋势进行预测，判断出未来时刻系统的工作状态对于有效实现航空发动机的视情维修决策有重要意义。本文运用所建立的结构自适应神经预测模型和支持向量机预测模型对航空发动机实际的性能状态数据、磨损状态以及振动数据进行了应用分析。应用实例充分表明了本文方法的有效性和正确性。 关键词：非线性时间序列分析，预测，神经网络，支持向量机，遗传算法，航空发动机，故障诊断 Abstract Function regression is an important research content of machine learning, and non-classical mathematics represented by Artifical Neural Network (ANN) show great advantages to the issue, therefore they become the main techniques of machine learning. Firstly, the phase reconstruction theory is studied in this paper; secondly, ANN is introduced into non-linear time series forecasting, and the issues are studied as follows: ①the forecasting model is built based on ANN, ②the influence factor of ANN forecasting precision is discussed,