基于SVM的柴油機機械故障診斷研究.pdf

1、統(tǒng)計學習理論是在傳統(tǒng)統(tǒng)計學基礎上發(fā)展起來的一種具有堅實理論基礎的機器學習方法，自20世紀90年代以來，自身形成了一個較完善的理論體系——統(tǒng)計學習理論，提出了新的模式識別方法——支持向量機(SVM)。支持向量機作為機器學習領域若干標準技術的集大成者，它在解決小樣本、非線性和高維的機器學習問題中表現(xiàn)出了許多特有的優(yōu)勢。 隨著現(xiàn)代工業(yè)及科學技術的迅速發(fā)展，現(xiàn)代設備的結構越來越復雜，功能越來越完善，自動化程度越來越高，不僅同一設備的不同

2、部分有互相關聯(lián)，不同設備之間也存在著緊密的關系，設備維護和監(jiān)測診斷的難度相應增加。更重要的是，有些情況下人難以到達現(xiàn)場，如航空，航天，深水作業(yè)等，這些都對工程診斷的智能化提出了迫切的要求。電子技術，尤其是計算機技術的發(fā)展，為智能診斷提供了必要的技術基礎。智能診斷己成為工程診斷的一個重要的研究方向和必然趨勢。 論文在介紹支持向量機的原理基礎上，分析了SVM中核函數(shù)、核參數(shù)及懲罰參數(shù)C的影響，介紹了三種SVM參數(shù)選擇方法，并討論了其