基于支持向量机方法的机车故障诊断的分析与研究.docx

基于支持向量机方法的机车故障诊断的分析与研究摘要：本文介绍了机器学习的分类主要讨论了支持向量机的优点、SVM的故障分类原理包括支持向量机的二值分类、线性规划支持向量机的二次分类、多类分类问题等。为机车故障诊断提供参考。关键词：机器学习；支持向量机；故障诊断DOI：10.16640/ki.37-1222/t.2016.10.2191机器学习的分类目前机车故障智能诊断方法一般依赖机器学习所谓机器学习是指：从样本数据中发现规律然后利用所得规律预测未来数据和无法直接获得的数据。机器学致分为三类：（1）参数统计估计方法。包括模式识别、神经网络等它们都基于传统统计学。此方法有较大局限性主要是要求已知样本的分布形式还需要数量极大的样本。在实际中能获得的样本数是有限的因此这类方法的使用效果不佳；（2）经验非线性方法。这类方法能够利用已知样本建立非线性模型从而消除参数统计估计方法的一些不足。不过这类方法没有统一的数学理论作为支撑；（3）统计学习理论。是一种专门针对小样本的机器学习理论为解决小样本统计问题提供了一种新的选择。统计推理规则既考虑到渐近性能指标又兼顾利用有限信息获得最优结果。统计学习理论的理论基础较为扎实而完备为有限样本学习问题提供了一个有效解决方案。在此基础上支持向量机作为一种新的学习方法迅速发展起来已展示出许多优越性是机器学习领域中的一个研究热点。2支持向量机方法的分析与研究支持向量机方法的主要理论依据是VC维理论和结构风险最小原理根据有限的样本信息追求最好的推广能力。目前SVM算法广泛应用于模式识别、回归估计、概率密度函数估计等方面。2.1支持向量机方法的主要优点有（1）专门针对有限样本。能利用有限信息寻求最优解不苛求大样本；（2）本质是一个二次型寻优问题。从理论上说它得到的是全局最优点克服了一些方法存在的局部最优问题；（3）通过非线性变换转换能将待解问题转化到高维特征空间然后构造线性判别函数间接解决原空间中的非线性判别问题。同时它较好地解决了维数灾难难题算法的复杂度与样本维数无关。2.2SVM的故障分类原理（1）支持向量机的二值分类。对于两类问题支持向量机寻找一个超平面将两类样本完全分开从而完成样本的分类。图1展示了两类的分类超平面情况图中的圆点、方点分别代表两类不同样本红圆点与蓝色方点是支持向量H平面是两类样本的分类超平面。若两类样本集可分将它们表示为：其中y表示样本类别标号。不妨假设存在一个超平面wx+b=0可使得：wx+b≥+1yi=+1wx+b≤-1yi=-1即表示训练样本集线性可分。假设存在两个超平面分别是：H1：wx+b=1H2：wx+b=-1那么两个超平面与原点的距离分别为和。那么两个超平面的距离是分类间隔因此求间隔最大的实质是求最小。进一步考虑到VC维的上界最小要求最小综合考虑之后问题转化为如下二次规划问题：约束yi（（wxi）+b）≥1i=12…n关于线性不可分问题处理的思路是：先选用合适的映射函数将低维空间的原始数据映射至高维空间再进行线性分类最后返回到原空间完成分类。考虑到可能存在少数样本被错误分类引入松弛变量将优化问题改进为：新的约束条件：yi（wΦ（xi）+b）≥1-ζii=12…nζi≥0（2）线性规划支持向量机的二次分类。二值分类、回归算法把问题最终归结为求解二次规划此法存在计算参数随训练样本的增加而急剧增加的缺点。解决该问题可采用线性规划方法。设、两个超平面间的距离为引入松弛变量目标函数修正为：（3）多类分类问题。SVM可解决两类分类问题可视为一个两类分类器。两类分类器无法直接解决多类分类问题。签于此很多学者提出了多种多类分类算法主要分为两类：①在基本两类分类器基础上直接构造多类分类器。此种方法表面简单、易懂但是计算涉及过多参数、计算难度较大分类精度也不高应用效果不太理想。②采用多个两类分类器依次串联组成一个多类分类器多类分类逐步转化为两类分类。实际中一般采用此办法解决多类分类问题。多个两类分类器解决多类分类问题的方案有三种：一对一分类、一对多分类和决策树分类。参考文献：[1]顾彬郑关胜王建东.增量和减量式标准支持向量机的分析[J].软件学报2013（07）.[2]丁世飞齐丙娟谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报2011（01）.[3]郭明玮赵宇宙项俊平等.基于支持向量机的目标检测算法综述[J].控制与决策2014（02）.