学位论文 > 优秀研究生学位论文题录展示
支持向量机在电缆故障分类中的应用
作 者: 李新燕
导 师: 汪梅
学 校: 西安科技大学
专 业: 模式识别与智能系统
关键词: 支持向量机 多分类 较小邻近距离 类间相异度矩阵 电缆故障识别
分类号: TM755
类 型: 硕士论文
年 份: 2010年
下 载: 124次
引 用: 1次
阅 读: 论文下载
内容摘要
支持向量机是一种专门针对小样本的模式识别方法,它建立在统计学习理论的VC维和结构风险最小化原理的基础上,较好地解决了非线性、高维数、局部极小点等问题,具有良好的推广性。经典的支持向量机是一种两类分类器,随着应用范围的扩展,支持向量机被广泛地用于解决多类分类问题。如何针对具体的问题建立较好的支持向量机多分类模型,是近几年支持向量机研究的热点之一。本文在统计学习理论相关原理及支持向量机理论基础上,对支持向量机多类分类算法及核函数的参数选择问题进行了分析与研究。论文概述了统计学习理论、支持向量机的分类原理、支持向量机集成的最优分类面、分类间隔、最优化理论等技术,介绍了支持向量机的重要模块——核函数,并对不同核函数的性能进行了比较;分析和总结了现有的几种支持向量机多类分类方法,包括一次性求解算法、“一对多”、“一对一”、有向无环图算法等,比较了它们的性能及优缺点;针对现有的支持向量机多类分类算法中存在错分或拒分区域问题和二叉树支持向量机结构的生成问题,在定义了较小邻近距离和构造类间相异度矩阵的基础上,提出了基于类间相异度矩阵的支持向量机多类分类算法,并通过仿真实验,与传统的一对一、一对多及有向无环图支持向量机算法结果进行比较,验证了该算法的正确性和有效性。论文最后部分将基于类间相异度矩阵的支持向量机多分类算法用于对电缆故障类型的识别分析中,通过尝试不同的核参数选择出较优的核参数以建立支持向量机多类识别模型,实现了对故障类型有效的识别。
|
全文目录
摘要 2-3 ABSTRACT 3-7 1 绪论 7-12 1.1 选题背景及研究意义 7-8 1.2 支持向量机研究现状 8-10 1.2.1 支持向量机理论研究 8-9 1.2.2 支持向量机训练算法 9-10 1.2.3 支持向量机的应用 10 1.3 本文的主要内容及结构安排 10-12 2 统计学习理论概述 12-19 2.1 机器学习 12-13 2.1.1 机器学习问题描述 12-13 2.1.2 经验风险最小化 13 2.2 统计学习理论 13-17 2.2.1 学习过程的一致性 14 2.2.2 VC 维 14-16 2.2.3 推广性的界 16 2.2.4 结构风险最小化 16-17 2.3 本章小结 17-19 3 支持向量机 19-31 3.1 支持向量机分类原理 19-22 3.1.1 最优分类超平面 19-21 3.1.2 最优化理论 21-22 3.2 支持向量机基本方法 22-25 3.2.1 线性支持向量机 22-24 3.2.2 非线性支持向量机 24-25 3.3 核函数 25-28 3.3.1 核函数理论及基本性质 25-26 3.3.2 常用的典型核函数 26-28 3.4 支持向量机的特点及研究热点 28-30 3.4.1 支持向量机的特点 28-29 3.4.2 支持向量机的研究热点 29-30 3.5 本章小结 30-31 4 支持向量机多分类 31-45 4.1 多类分类问题的数学表述 31 4.2 常见的支持向量机多分类方法 31-39 4.2.1 一次性求解方法 32 4.2.2 一对多算法(1-a-r) 32-33 4.2.3 一对一算法(1-a-1) 33-35 4.2.4 有向无环图SVM 算法(DAG-SVM) 35-36 4.2.5 纠错输出编码SVM 算法(ECC-SVM) 36-37 4.2.6 二叉树SVM 算法 37-39 4.3 基于类间相异度矩阵的支持向量机多分类算法 39-44 4.3.1 问题描述及类间相异度矩阵的构成 39-40 4.3.2 算法流程及具体实现 40-42 4.3.3 几种支持向量机多分类算法实验结果分析 42-44 4.4 本章小结 44-45 5 支持向量机在电力电缆故障诊断中的应用 45-60 5.1 电力电缆故障诊断技术概述 45-49 5.1.1 电力电缆故障诊断的意义及现状 45-46 5.1.2 电力电缆故障产生原因 46-47 5.1.3 电力电缆故障的分类 47-48 5.1.4 电力电缆故障的诊断过程及方法 48-49 5.2 电力电缆故障诊断系统故障识别分析 49-56 5.2.1 故障特征选择 49-51 5.2.2 故障特征提取 51-54 5.2.3 支持向量机识别模型的建立 54-56 5.3 实验结果及分析 56-58 5.4 本章小结 58-60 6 结论 60-62 6.1 结论 60 6.2 展望 60-62 致谢 62-63 参考文献 63-66 附录 66
|
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 统计与语言学相结合的词对齐及相关融合策略研究,TP391.2
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 基于车载3D加速传感器的路况监测研究,TP274
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- 一种于经验数据的软件缺陷修复工作量预测模型研究,TP311.53
- 引导基金下创业投资管理团队的选择与评价研究,F224
- 航空发动机燃调系统故障诊断,V263.6
- 基于样本学习的有限元网格模型优化研究,TB114
- 基于支持向量机的规则零件机器视觉检测技术研究,TP274
- 多分类器动态集成技术研究及其应用,TP181
- 全自动荧光磁粉探伤中目标识别图像处理技术研究,TP391.41
- 基于信息融合的道路和障碍物检测方法研究,TP242
- 基于综合客户价值评价的外贸企业渠道商客户分类研究,F752;F224
- 基于多核混合支持向量机的城市短时交通预测,U491.14
- 支持向量机在冲击地压预测模型中的应用研究,TD324
中图分类: > 工业技术 > 电工技术 > 输配电工程、电力网及电力系统 > 线路及杆塔 > 线路检修
© 2012 www.xueweilunwen.com
|