基于离散化的差异性增强AdaBoostSVM在故障诊断中的应用

摘要

提高大型发电机组振动故障诊断的准确率具有重要的意义。采用以径向基函数核支持向量机(Support Vector Machine,SVM)作为成员分类器的AdaBoost集成学习方法进行研究,其关键问题是如何适度弱化SVM同时增强其差异性。首先提出AdaBoostSVM算法,采用交叉验证法和网格搜索确定SVM的误差惩罚参数和核参数初始值,当迭代过程中成员分类器分类精度低于50%时,以指数幅度降低核参数值。为了进一步增强成员分类器的差异性,对训练样本集进行离散化,基于合适断点选择的策略,提出新的集成学习算法。在汽轮机轴系振动故障诊断问题上的仿真实验表明,AdaBoostSVM集成的泛化性能优于单个SVM,而离散化进一步提高了集成的泛化性能。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号