提出一种结合多层结构和稀疏最小二乘支持向量机(Sparse Least Squares Support Vector Machine,SLSSVM)的机械故障诊断方法。该方法构建了多层支持向量机(Support Vector Machine,SVM)结构,首先在输入层利用支持向量机对信号进行训练,...提出一种结合多层结构和稀疏最小二乘支持向量机(Sparse Least Squares Support Vector Machine,SLSSVM)的机械故障诊断方法。该方法构建了多层支持向量机(Support Vector Machine,SVM)结构,首先在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用“降维公式”生成样本新的表示,并作为隐藏层的输入,隐藏层支持向量机对新样本训练并提取信号的深层特征,逐层学习,最终在输出层输出诊断结果。针对因多层结构带来算法的复杂度以及运行时间增加的问题,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)技术,并将稀疏化理论与最小二乘支持向量机结合,通过构造特征空间近似最大线性无关向量组对样本进行稀疏表示并依此获得分类判别函数,有效解决了最小二乘支持向量机稀疏性缺乏的问题。最后,通过滚动轴承故障诊断实验验证了该方法的有效性。展开更多
文摘提出一种结合多层结构和稀疏最小二乘支持向量机(Sparse Least Squares Support Vector Machine,SLSSVM)的机械故障诊断方法。该方法构建了多层支持向量机(Support Vector Machine,SVM)结构,首先在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用“降维公式”生成样本新的表示,并作为隐藏层的输入,隐藏层支持向量机对新样本训练并提取信号的深层特征,逐层学习,最终在输出层输出诊断结果。针对因多层结构带来算法的复杂度以及运行时间增加的问题,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)技术,并将稀疏化理论与最小二乘支持向量机结合,通过构造特征空间近似最大线性无关向量组对样本进行稀疏表示并依此获得分类判别函数,有效解决了最小二乘支持向量机稀疏性缺乏的问题。最后,通过滚动轴承故障诊断实验验证了该方法的有效性。
