文档介绍：基于支持向量机的城市给水管网
故障诊断研究
重庆大学硕士学位论文
(学术学位)
学生姓名:卓严报
指导教师:朱晓红副教授
专业:计算机应用技术
学科门类:工学
重庆大学计算机学院
二 O 一三年六月
Study on Support Vector Machine-Based
Faults Diagnosis for Water Distribution
Systems
A Thesis Submitted to Chongqing University
in Partial Fulfillment of the Requirement for the
Master’s Degree of Engineering
By
Zhuo Yanbao
Supervised by Ass. Prof. Zhu Xiaohong
Specialty: Computer Application Technology
College puter Science of Chongqing
University, Chongqing, China
Jun. 2013
重庆大学硕士学位论文中文摘要
摘要
支持向量机(SVM)是九十年代中期在统计学习理论(SLT)基础上发展而来
的机器学习技术。统计学习理论着重研究小样本条件下的统计规律和学习方法,
它为机器学习问题建立了一个很好的理论框架。支持向量机在小样本情况下,运
用结构风险最小化原则,具有非常优秀的学习性能。
支持向量机应用于故障诊断的优势在于它适合于小样本决策,其本质就是一
个模式分类问题,其学习方法的本质在于能够在有限特征信息情况下,最大限度
地发掘数据中隐含的分类知识。从推广性的角度来看,更适用于故障诊断这种实
际的工程问题。
本文首先阐述了支持向量机在故障诊断领域中的应用及研究现状。然后介绍
了统计学习理论相关知识、支持向量机原理以及两种主要的支持向量机多类分类
算法,即“一对余类”和“成对分类"。
支持向量机的性能受其参数的影响很大,因此出现了很多优化 SVM 相关参数
的算法。本文从遗传算法(GA)与粒子群优化算法(PSO)的基本理论出发,研
究探讨其优化 SVM 参数的能力与优缺点。研究发现,遗传算法具有高效的全局搜
索能力,但也有收敛速度慢的缺点;而粒子群算法具有快速收敛的特性,但亦容
易陷入局部最优解。
针对 SVM 在故障检测中容易陷入诊断精度不高,参数寻优、训练速度慢,容
易陷入局部最优值以及泛化能力差的缺点,文中提出了建立基于遗传算法与粒子
群优化算法对 SVM 参数进行寻优的算法。
改进后的算法实现全局和局部搜索的平衡;比 GA-SVM 模型具有更高的诊断
精度,在小样本、非线性情况下更具优势,解决了过学习与欠学习问题;同时,
其快速收敛的能力使算法能够迅速收敛得出最优解,比 GA-SVM 模型的计算时间
短;该算法亦具有良好的鲁棒性及泛化能力。
最后,在实验模拟环境下,对小型城市给水管网模型进行故障诊断分析。通
过实验我们可以看到新的诊断模型的优势,在实际生产实践中,基于支持向量机
的故障诊断技术具有实际应用意义,为工业应用拓宽新的应用方向。
关键词:故障检测,支持向量机,遗传算法,粒子群算法
I
重庆大学硕士学位论文英文摘要
ABSTRACT
Support Vector Machine (SVM) is a Statistical Learning Theory(SLT) in the
mid-ies evolved on the basis of machine learning techniques. Statistical Learning
Theory focuses on the small sample statistical regularity and learning methods, machine
learning problem it created a good theoretical framework. Support Vector Machine in
the small sample case, the use of structural risk minimization principle, thus has a very
good learning performance