基于选择性集成学习的高速列车故障识别研究-计算机应用研究.PDFVIP

基于选择性集成学习的高速列车故障识别研究 作者 饶川, 苟先太, 金炜东 机构 西南交通大学 电气工程学院 发表期刊 《计算机应用研究》 预排期卷 2018 年第35 卷第5 期 访问地址 /article/02 -2018-05-028.html 发布日期 2017-05-25 09:15:11 引用格式 饶川, 苟先太, 金炜东. 基于选择性集成学习的高速列车故障识别研究[J/OL]. [2017-05-25]. htt p:///article/02-2018-05-028.html. 摘要 在 SVM 分类识别中，分类器模型一经训练得到，对所有测试样本进行无差别的识别。针对高速 列车故障中样本的分类识别是存在区域分类精度的情况，提出了一种基于选择性集成学习的SVM 多分类器融合算法。该方法选取测试样本最邻近的 k 个训练样本，然后选择对其分类效果好的 SVM 分类器进行融合，以提高分类准确率。最后使用高速列车故障数据进行了实验，并与 AdaBoost 、KNN、Bayes、SVM 分类方法进行了比较。实验结果表明，该算法提高了分类识别准 确率。 关键词 选择性集成学习, SVM, 多分类器融合, 区域分类精度, 高速列车故障分类 中图分类号 TP 基金项目 国家自然科学基金重点资助项目; 国家自然科学基金资助项目; 中央 高校基本科研业务专项资金资助项目（SWJTU11BR039 ，SWJTU11ZT06）; 四川省科技计划项目- 重点研发项目（2017GZ0159） 35 优先出版 计 算 机 应 用 研 究 第 卷 基于选择性集成学习的高速列车故障识别研究* 饶 川，苟先太，金炜东 (西南交通大学 电气工程学院，成都 610031) 摘 要：在SVM 分类识别中，分类器模型一经训练得到，对所有测试样本进行无差别的识别。针对高速列车故障中样 本的分类识别是存在区域分类精度的情况，提出了一种基于选择性集成学习的SVM 多分类器融合算法。该方法选取测 k SVM 试样本最邻近的 个训练样本，然后选择对其分类效果好的 分类器进行融合，以提高分类准确率。最后使用高速 列车故障数据进行了实验，并与 AdaBoost 、KNN、Bayes 、SVM 分类方法进行了比较。实验结果表明，该算法提高了 分类识别准确率。 关键词：选择性集成学习；SVM ；多分类器融合；区域分类精度；高速列车故障分类 中图分类号：TP Study on recognition of high speed rail malfunction based on selective ensemble learning Rao Chuan, Gou Xiantai, Jin Weidong (School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China) Abstract: In the classification and reco