基于小波包和支持向量机的故障诊断方法研究

被引：1

作者：

李晓华

姚舜才

机构：

[1] 中北大学信息与通信工程学院

来源：

电子测试 | 2010年 / 04期

关键词：

小波包; LSSVM; 故障诊断;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

基于支持向量机(SVM,support vector machine)对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM(least squares support vector machines)进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。

引用

页码：31 / 34

页数：4

共 8 条

[1] 基于小波包分析的电机故障检测 [J].

王芳 ;

鲁顺昌 .

电机与控制应用, 2008, (07) :53-56

[2] 基于小波包与支持向量机的复杂信号模式识别 [J].

崔建国 ;

李一波 ;

李忠海 ;

刘建民 ;

徐心和 .

数据采集与处理, 2008, (02) :163-167

[3] 支持向量机及其在机械故障诊断中的应用 [J].

袁胜发 ;

褚福磊 .

振动与冲击, 2007, (11) :29-35+58+181

[4] 最小二乘支持向量机在故障诊断中的应用 [J].

杨奎河 ;

单甘霖 ;

赵玲玲 .

计算机科学, 2007, (01) :289-291

[5]

支持向量机理论及其应用分析.[M].方瑞明; 著.中国电力出版社.2007,

[6]

小波分析及其工程应用.[M].杨建国著;.机械工业出版社.2005,

[7]

小波分析与分数傅里叶变换及应用.[M].冉启文;谭立英著;.国防工业出版社.2002,

[8]

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

← 1 →