基于支持向量機(jī)的智能數(shù)據(jù)挖掘算法研究.pdf

1、隨著工業(yè)化的迅猛發(fā)展,機(jī)械設(shè)備正朝著大型化、高效率、高智能化的方向發(fā)展。機(jī)械設(shè)備不同部件之間的相互聯(lián)系日益緊密,任何一個(gè)部件出現(xiàn)故障或是發(fā)生突變都可能引起重大的生產(chǎn)事故,導(dǎo)致生產(chǎn)過程中斷。如何確保機(jī)械設(shè)備的安全、穩(wěn)定、高效地運(yùn)行成為當(dāng)今學(xué)者們研究的重大課題。有效、快速、準(zhǔn)確地實(shí)現(xiàn)對(duì)故障設(shè)備的狀態(tài)評(píng)估,并對(duì)未來的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè),能夠盡早地發(fā)現(xiàn)設(shè)備異常,及時(shí)、有效地進(jìn)行處理,對(duì)預(yù)防重大事故的發(fā)生有重要意義。
　　本文比較了常見的數(shù)據(jù)

2、挖掘的方法,基于支持向量機(jī)在處理過學(xué)習(xí)、高緯度、非線性和小樣本的問題時(shí)有較好的效果,同時(shí)具有很強(qiáng)推廣能力的特點(diǎn),將支持向量機(jī)應(yīng)用到故障的識(shí)別、數(shù)據(jù)預(yù)測(cè)和數(shù)據(jù)挖掘中,主要做了以下工作:
　　提出了一種基于EEMD-SVM的故障識(shí)別方法。作為特征提取方法,EMD在處理信號(hào)的過程中存在混疊等現(xiàn)象,很大程度上影響著特征的有效性和真確度。所以,為了更好地提取出SVM的特征,選取通過改進(jìn)后的EMD方法,即EEMD。它能很好的消除EMD中出現(xiàn)混

3、疊現(xiàn)象,并通過實(shí)驗(yàn)證明了方法的正確性。
　　將SVM應(yīng)用到數(shù)據(jù)的預(yù)測(cè)方面。其中,包括SVM對(duì)周期信號(hào)的預(yù)測(cè)和SVM對(duì)非周期信號(hào)的預(yù)測(cè)。對(duì)于這兩種不同的特征信號(hào),本文采用不同的方法與 SVM結(jié)合。在周期信號(hào)中,將SVM與PSO優(yōu)化向空間重構(gòu)算法相結(jié)合;在非周期信號(hào)預(yù)測(cè)過程中,為了能夠更好的達(dá)到預(yù)測(cè)的效果,將SVM與EEMD和PSO相結(jié)合,組成EEMD和PSO-SVM預(yù)測(cè)方法。并通過實(shí)例證明了不論周期還是非周期信號(hào)預(yù)測(cè),SVM都能達(dá)到