基于最小风险的SVM及其在故障诊断中的应用.pdfVIP

第26卷第2期 振动、测试与诊断 V01．26No．2 2006年6月 Jun．2006 of JournalVibration，MeasurementDiagnosis 基于最小风险的SVM及其在故障诊断中的应用’ 杜京义 候媛彬 (西安科技大学电气与控制工程学院西安，710054) 摘要结合两类错误分类造成损失不等这一故障诊断特点，提出了基于最小风险的SVM方法。进行了三个方面的 研究：a．在Platt提出的样本后验概率基础上，给出了修正的分类面以及修正的后验概率估算方法，并分析了该方 法的合理性．b．将最小风险决策与SVM输出的后验概率有机融合，使该方法对故障的诊断更加敏感，减小漏判概 率为以电液伺服阀故障诊断为例，对样本数据经K—L变换后进行可视化研究，分类结果表明了该方法的可行性。 关键词 最小风险支持向量机故障诊断后验概率 电液伺服阀 TP206．3 中图分类号TP277 引 言 1 SVM引入后验概率的方法 Vector 目前，支持向量机(SupportMachines， 后验概率对于分类器的设计是非常有用的[7。9]， 简称SVM)已经成为统计机器学习解决实际问题的但是常规SVM只能输出确定的类别标号，不能直 热点。随着该方法的广泛应用，人们发现SVM方法 接输出样本的后验概率。最早将后验概率引入支持 也存在一些不足之处。常规SVM方法研究样本分 类学习时，只考虑两种极端情况，属于某一类的概率 nik提出一种将SVM的离散输出映射为概率的方 为1，或不属于某一类的概率为1。Vapnik提出的 SVM理论显然没有考虑两类误判在造成损失上的 的性能，但这种方法存在一定的局限性。Wahba对 KernelHilbert 差异[1]。从统计模式识别的角度来看，常规SVM算 Space)进行了 RKHS(Reproducing 法在分类时是基于误判造成的损失相同这一原则进 深入的研究，在Hilbert空间中建立了用线性基函 行的，而在故障诊断Ez-3]模式分类问题中误判造成的数对某个函数逼近的表示定理m3，并将其应用到统 损失是不同的，因此，实际应用中应该考虑这种差 计学习理论和SVM。考虑到训练样本点均来自于相 别。 故障诊断的目标是根据识别对象的观测值z将 设后验概率的形式为 其分到某个模式类∞(i=1，2，…，c)。但由于测量噪 1 P(j，=1 (1) l／‘)一Fr三而 声及各种干扰的存在，描写各个模式的特征量都是随 1 k 机变量，所谓某个模式属于某一模式类也只是指该模 启发m]，通过对已有结论和经验数据的分析，Platt 式出现在这个模式类中的概率最大。统计决策理论作 为处理模式分类问题的基本理论之一，它对模式分析 在文献[7-1中将后验概率通用模式变为参数0一 和分类器的设计有着实际的指导意义[4“]。其中，最小 阻。，A。]’表示的Sigmoid函数