文档介绍：国内图书分类号:TK81;TH17 学校代码:10079 国际图书分类号: 密级:公开工学硕士学位论文基于支持向量机的智能数据挖掘算法研究硕士研究生:张金会导师:祝晓燕副教授申请学位:工学硕士学科机械工程专业:机械电子工程所在学院:能源动力与机械工程学院答辩日期:2014年3月授予学位单位:华北电力大学 Classified Index: TK81;TH17 : 621 Researchof mining algorithms of intelligence data based on support vector machine Candidate: Zhang Jin Hui Supervisor: Prof. Zhu Xiaoyan School: School of Energy&Power and Mechanical Engineering Date of Defence: March, 2014 Degree-Conferring-Institution: North China Electric Power University 华北电力大学硕士学位论文原创性声明本人郑重声明:此处所提交的硕士学位论文《基于支持向量机的智能数据挖掘算法研究》, 是本人在导师指导下,在华北电力大学攻读硕士学位期间独立进行研究工作所取得的成果。据本人所知,论文中除已注明部分外不包含他人已发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体,均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名: 日期: 年月日华北电力大学硕士学位论文使用授权书《基于支持向量机的智能数据挖掘算法研究》系本人在华北电力大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归华北电力大学所有,本论文的研究内容不得以其它单位的名义发表。本人完全了解华北电力大学关于保存、使用学位论文的规定, 同意学校保留并向国家有关部门或机构送交论文的复印件和电子版本,同意学校将学位论文的全部或部分内容编入有关数据库进行检索,允许论文被查阅和借阅。本人授权华北电力大学, 可以采用影印、缩印或扫描等复制手段保存、可以公布论文的全部或部分内容。本学位论文属于(请在以上相应方框内打“√”): 保密□,在年解密后适用本授权书不保密□作者签名: 日期: 年月日导师签名: 日期: 年月日华北电力大学硕士学位论文 I 摘要随着工业化的迅猛发展,机械设备正朝着大型化、高效率、高智能化的方向发展。机械设备不同部件之间的相互联系日益紧密,任何一个部件出现故障或是发生突变都可能引起重大的生产事故,导致生产过程中断。如何确保机械设备的安全、稳定、高效地运行成为当今学者们研究的重大课题。有效、快速、准确地实现对故障设备的状态评估,并对未来的运行状态进行预测,能够尽早地发现设备异常,及时、有效地进行处理,对预防重大事故的发生有重要意义。本文比较了常见的数据挖掘的方法,基于支持向量机在处理过学习、高纬度、非线性和小样本的问题时有较好的效果,同时具有很强推广能力的特点,将支持向量机应用到故障的识别、数据预测和数据挖掘中,主要做了以下工作: 提出了一种基于EEMD-SVM的故障识别方法。作为特征提取方法,EMD在处理信号的过程中存在混叠等现象,很大程度上影响着特征的有效性和真确度。所以, 为了更好地提取出SVM的特征,选取通过改进后的EMD方法,即EEMD。它能很好的消除EMD中出现混叠现象,并通过实验证明了方法的正确性。将SVM应用到数据的预测方面。其中,包括SVM对周期信号的预测和SVM对非周期信号的预测。对于这两种不同的特征信号,本文采用不同的方法与SVM结合。在周期信号中,将SVM与PSO优化向空间重构算法相结合;在非周期信号预测过程中,为了能够更好的达到预测的效果,将SVM与EEMD和PSO相结合,组成 EEMD和PSO-SVM预测方法。并通过实例证明了不论周期还是非周期信号预测,SVM 都能达到很好的结果。根据SVM能够很好的处理小样本事件的特点,本文将基于支持向量机的数据挖掘模型应用于新型二次供水设备水泵流量-扬程曲线的研究中。通过水泵测量的有限的流量-扬程数据,利用SVM对已测时间点中间的时间段点的数据进行挖掘,绘制出更接近真实的流量-扬程曲线图,为水泵型号的选取提供更准确的依据。关键词: 支持向量机;特征提取;故障识别;预测;数据挖掘华北电力大学硕士学位论文 II Abstract With the rapid development of industrialization, mach