基于遗传算法的改进径向基支持向量机及其应用

被引：8

作者：

李良敏 ^{[1
,2
]}

温广瑞 ^{[3
]}

王生昌 ^{[2
]}

机构：

[1] 长安大学汽车运输安全保障技术交通行业重点实验室

[2] 长安大学汽车学院

[3] 西安交通大学智能仪器与监测诊断研究所

来源：

系统仿真学报 | 2008年 / 22期

关键词：

多核参数径向基支持向量机; 遗传算法; 核参数; 验证误差; 推广能力; 故障诊断;

D O I：

10.16182/j.cnki.joss.2008.22.055

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

通过对径向基核函数进行分析后发现:根据样本各个特征的识别能力赋予其不同大小的核参数,可以提高支持向量机的推广能力。此结论基础上,提出了一种基于遗传算法的多核参数径向基支持向量机算法,通过遗传算法最小化验证误差,实现了根据各个特征的识别能力赋予其不同大小的核参数。将该算法用于轴承故障诊断,实验结果表明,与传统支持向量机相比,多核参数径向基支持向量机具有更好的推广能力,同时,核参数的大小反映了对应特征识别能力的大小。

引用

页码：6088 / 6092+6096 +6096

页数：6

共 8 条

[1] 销售量预测的支持向量机建模及参数选择研究 [J].

魏宏业 ;

王建华 ;

何崴 .

系统仿真学报, 2005, (01) :33-36

[2] 支持向量机推广能力估计方法比较 [J].

董春曦 ;

杨绍全 ;

饶鲜 ;

汤建龙 .

电路与系统学报, 2004, (04) :86-91+96

[3] SVR在传感器故障诊断中的仿真研究 [J].

翟永杰 ;

尚雪莲 ;

韩璞 ;

王东风 .

系统仿真学报, 2004, (06) :1257-1259+1279

[4] 支持向量机在轴承故障诊断中的应用 [J].

王小平 ;

沈玉娣 .

机床与液压, 2003, (04) :320-322

[5]

模式识别[M]. 清华大学出版社 , 边肇祺等编著, 2000

[6]

统计学习理论的本质[M]. 清华大学出版社 , (美)VladimirN.Vapnik著, 2000

[7] Choosing Multiple Parameters for Support Vector Machines [J].

Olivier Chapelle ;

Vladimir Vapnik ;

Olivier Bousquet ;

Sayan Mukherjee .

Machine Learning, 2002, 46 :131-159

[8]

A Bound on the Error of Cross Validation Using the Approximation and Estimation Rates, with Consequences for the Training-Test Split[J] . Michael Kearns.Neural Computation . 1997 (5)

← 1 →