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
非稀疏性是最小二乘支持向量机(Least squares support vector machine,LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要内容.在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理...非稀疏性是最小二乘支持向量机(Least squares support vector machine,LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要内容.在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理想.为了进一步改进LS-SVM稀疏化方法的性能,文中提出了一种基于全局代表点选择的快速LS-SVM稀疏化算法(Global-representation-based sparse least squares support vector machine,GRS-LSSVM).在综合考虑数据局部密度和全局离散度的基础上,给出了数据全局代表性指标来评估每个数据的全局代表性.利用该指标,在全部数据中,一次性地选择出其中最具有全局代表性的数据并构成稀疏化后的支持向量集,然后在此基础上求解决策超平面,是该算法的基本思路.该算法对LS-SVM的非迭代稀疏化研究进行了有益的探索.通过与传统的迭代稀疏化方法进行比较,实验表明GRS-LSSVM具有稀疏度高、稳定性好、计算复杂度低的优点.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。
文摘非稀疏性是最小二乘支持向量机(Least squares support vector machine,LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要内容.在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理想.为了进一步改进LS-SVM稀疏化方法的性能,文中提出了一种基于全局代表点选择的快速LS-SVM稀疏化算法(Global-representation-based sparse least squares support vector machine,GRS-LSSVM).在综合考虑数据局部密度和全局离散度的基础上,给出了数据全局代表性指标来评估每个数据的全局代表性.利用该指标,在全部数据中,一次性地选择出其中最具有全局代表性的数据并构成稀疏化后的支持向量集,然后在此基础上求解决策超平面,是该算法的基本思路.该算法对LS-SVM的非迭代稀疏化研究进行了有益的探索.通过与传统的迭代稀疏化方法进行比较,实验表明GRS-LSSVM具有稀疏度高、稳定性好、计算复杂度低的优点.
