改进二叉树支持向量机及其故障诊断的方法的研究.docVIP

改进二叉树支持向量机及其故障诊断的方法的研究 　　摘要： 针对层次结构对二叉树支持向量机分类性能影响较大的问题，提出了一种改进的二叉树支持向量机层次结构构建方法。以类内样本平均距离和类间样本平均距离建立带权值的可分性测度，将类间距离大且类内样本分布广的类最先分离，并提出了权值选取准则和算法步骤。利用标准数据集，通过与不同多类算法比较，验证了改进的二叉树支持向量机的优越性。以往复压缩机传动机构为研究对象，基于多重分形和奇异值分解提取故障特征，应用改进的二叉树支持向量机实现了常见故障的准确诊断。关键词： 故障诊断； 往复压缩机； 二叉树； 支持向量机； 可分性测度 　　中图分类号：TH165+. 3文献标识码： A文章编号：2013 　　引言 　　支持向量机（SVM）是以Vapnik等人提出的统计学习理论为基础发展而来的一种通用机器学习方法，在解决非线性、小样本、高维模式识别以及局部极小等问题中具有许多特有优势[1]。最初SVM是为了解决二分类问题提出的，而实际问题往往是多类分类。目前，SVM解决多类分类问题的方法有两种：一是一次性求解，将多分类问题在一个优化公式中体现出来，该方法理论上看似简单可行，但由于优化参数多，计算量大，在实际问题中很少应用。二是由二类分类器按照不同方式组合成多类分类器，按组合方式的不同，可以分为：一对多（OAA）