提出基于Laplacian双联最小二乘支持向量机(Laplacian Twin Least Squares Support Vector Machine,LapTLSSVM)半监督模式识别的新型早期故障诊断方法。用时、频域特征集广泛收集旋转机械不同早期故障的特征信息,再用提升半监督局部Fis...提出基于Laplacian双联最小二乘支持向量机(Laplacian Twin Least Squares Support Vector Machine,LapTLSSVM)半监督模式识别的新型早期故障诊断方法。用时、频域特征集广泛收集旋转机械不同早期故障的特征信息,再用提升半监督局部Fisher判别分析(Enhanced Semi-Supervised Local Fisher Discriminant Analysis,ESSLFDA)将高维时、频域特征集约简为具有更好类区分度的低维特征向量,并输入到Lap-TLSSVM中进行早期故障诊断。Lap-TLSSVM引入了包含大量无标签数据信息的流形规则实现半监督学习;其目标函数只含等式约束条件,且用共轭梯度法求解目标函数的线性方程组以加速训练过程。所提出的方法在训练样本非常稀少的情况下具有较高的诊断精度和计算效率。深沟球轴承早期故障诊断实验验证了该方法的有效性。展开更多
最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LS...最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。展开更多
文摘提出基于Laplacian双联最小二乘支持向量机(Laplacian Twin Least Squares Support Vector Machine,LapTLSSVM)半监督模式识别的新型早期故障诊断方法。用时、频域特征集广泛收集旋转机械不同早期故障的特征信息,再用提升半监督局部Fisher判别分析(Enhanced Semi-Supervised Local Fisher Discriminant Analysis,ESSLFDA)将高维时、频域特征集约简为具有更好类区分度的低维特征向量,并输入到Lap-TLSSVM中进行早期故障诊断。Lap-TLSSVM引入了包含大量无标签数据信息的流形规则实现半监督学习;其目标函数只含等式约束条件,且用共轭梯度法求解目标函数的线性方程组以加速训练过程。所提出的方法在训练样本非常稀少的情况下具有较高的诊断精度和计算效率。深沟球轴承早期故障诊断实验验证了该方法的有效性。
文摘最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。
