模糊支持向量機(jī)及其在故障診斷中的應(yīng)用.pdf

1、支持向量機(jī)(support vector machine，SVM)是一類新型機(jī)器學(xué)習(xí)方法，它能夠非常成功地處理分類和回歸問(wèn)題。但是，客觀世界存在著大量的不確定性信息，如果支持向量機(jī)的訓(xùn)練集中含有不確定性信息，那么標(biāo)準(zhǔn)的支持向量機(jī)模型將無(wú)能為力。針對(duì)訓(xùn)練樣本含有不確定信息和SVM求解二次規(guī)劃費(fèi)時(shí)的問(wèn)題，本文用最小二乘支持向量機(jī)代替?zhèn)鹘y(tǒng)的SVM，把模糊理論與支持向量機(jī)集成，通過(guò)引入模糊隸屬度函數(shù)，建立了模糊最小二乘支持向量回歸機(jī)(fuzzy

2、 least square vector machine，F(xiàn)LS_SVM)模型，并將其應(yīng)用到故障診斷中。
　　針對(duì)模糊隸屬度函數(shù)的構(gòu)建問(wèn)題，主要工作如下：
　　1.研究基于樣本空間隸屬度函數(shù)模型。由于訓(xùn)練樣本受噪聲影響時(shí)，其回歸性能也將受到影響。因此，可以根據(jù)訓(xùn)練樣本點(diǎn)遠(yuǎn)離回歸曲線的程度，賦予每個(gè)樣本不同的隸屬度值，以抑制噪聲對(duì)支持向量機(jī)訓(xùn)練的影響。
　　2.研究基于核空間模糊隸屬度函數(shù)模型。上面介紹的方法是在原始空間

3、確定模糊隸屬函數(shù)的，當(dāng)把原始空間中的樣本映射到高維空間，由于在構(gòu)造超平面時(shí)所起的作用是不同的，因此也可以通過(guò)樣本在核空間的貢獻(xiàn)大小的不同來(lái)確定隸屬度。
　　采用以上兩種確定隸屬度函數(shù)的方法構(gòu)建FLS_SVM模型，并將該模型應(yīng)用到對(duì)飛行控制系統(tǒng)速率傳感器的故障診斷中。對(duì)FLS_SVM進(jìn)行離線訓(xùn)練，用訓(xùn)練好的模型模擬系統(tǒng)的動(dòng)態(tài)特性，并將其在線應(yīng)用；將模型輸出結(jié)果和實(shí)際系統(tǒng)輸出相比較，根據(jù)殘差進(jìn)行故障診斷，并以偏航角速率傳感器故障診斷為