章 核方法及其研究基础
1.1 核函数的定义
1.2 正则化与表述定理
1.3 几种核学习机
1.4 核方法研究背景
1.5 故障智能诊断中的机器学习
1.6 核算法与故障诊断
1.7 研究内容
第2章 基于最小风险的SVM方法的研究
2.1 引言
2.2 支持向量机
2.3 基于最小风险的SVM研究
2.4 仿真研究
2.5 实验研究
2.6 本章小结
第3章 单值SVM用于故障诊断
3.1 引言
3.2 单值支持向量机
3.3 模型分析及选择研究
3.4 核函数的参数确定
3.5 基于单值SVM的故障诊断
3.6 本章小结
第4章 单值SVM时间滚动式学习算法的研究
4.1 引言
4.2 支持向量特点分析
4.3 时间滚动式学习算法
4.4 液压泵故障预警系统的设计
4.5 仿真实验
4.6 本章小结
第5章 基于单值SVM的多故障识别
5.1 引言
5.2 几种常用的多类SVM方法
5.3 基于单值SVM的多值分类
5.4 实验研究
5.5 本章小结
第6章 基于SVR的早期故障预示研究
6.1 引言
6.2 支持向量回归
6.3 SVR性能分析研究
6.4 基于遗传算法的SVR参数选择
6.5 基于SVR的故障预测
6.6 本章小结
第7章 混沌背景中微弱信号检测
7.1 引言
7.2 基于SVR的微弱信号检测
7.3 仿真实验
7.4 本章小结
第8章 核矩阵的逼近
8.1 引言
8.2 核矩阵的逼近
8.3 贪心算法
8.4 实验研究
8.5 本章小结
第9章 结论与展望
9.1 内容总结
9.2 展望
附录 开发的相关SVM程序
参考文献
, 本书共分9章,主要内容是基于核的机器学习,第3、4、5章为非监督学习的单值支持向量机(SVM)内容;第2章及第6、7章为监督学习的基于很小风险的SVM系统部件故障诊断,基于sVR模型预测以解决整体系统故障诊断;第8章核矩阵的逼近可以作为一种样本预处理技术,应用于基于核的机器学习算法。附录包括相关算法验证的实验平台及其开发的程序。
本书可作为自动化、信息、测控、机电一体化等学科的研究生教材,并可供相关专业技术人员参考使用。, 本书的主要内容是基于核的机器学习的理论和方法研究及其应用,正文中所提出的和改进的学习算法属于基于核的机器学习范畴,且分别属于监督学习和非监督学习。其中第3、4、5章为非监督学习的单值的支持向量机(SVR)内容;第2章及第6、7章为监督学习的基于很小风险的SVM系统部件故障诊断,基于SVR模型预测以解决整体系统故障诊断;第8章核矩阵的逼近可以作为一种样本预处理技术,应用于基于核的机器学习算法。本书对主要的方法均给出了理论证明,关键的算法配套有开发的程序(见附录)。
本书可供自动化、信息、测控、机电一体化等学科的研究生选用或参考,并可作为相关专业技术人员的参考书。, 际诊断过程中总是存在着或多或少的非线性,如受噪声、模型偏差等非线性因素的影响,或者系统本身就是非线性的。当非线性的因素成为主要时,应用基于线性系统的故障诊断方法就难以取得令人满意的效果,因而在实际应用中必须考虑被诊断对象的非线性特性。
(3) 未知故障和多故障处理能力。非线性系统具有多样性和复杂性,通过对实际系统的分析或仿真,包容所有的故障模式信息是不可能的;通过实际观测获取所有故障模式的样本数据也是不现实的。而目前的智能诊断技术,由于诊断能力主要依赖知识库中的现有知识或已有的故障模式样本,对未知故障和并发多故障的处理无法获得满意的结果。
(4) 动态过程信息的利用。实际系统和过程往往具有明显的非线性动力学特性,其过渡状态或动态过程的系统输出包含有丰富的、冗余的诊断信息,相对于稳态更利于故障的检测和诊断。目前的故障智能诊断技术在描述系统状态变化、动态过程信息的处理和利用方面有待进一步的研究。
此外,误报和漏报是任何故障诊断方法均可能存在的问题,故障的误报率和漏报率是评价故障诊断系统性能的重要指标,加强这方面的系统研
究是十分重要的。同时,如何确定非线性系统故障检测的很优阈值及故障发生时刻等问题仍有待解决。……