本文關(guān)鍵詞：基于最小二乘支持向量回歸的系統(tǒng)可靠性預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,隨著社會(huì)的變革、文化的發(fā)展以及科學(xué)技術(shù)的飛速進(jìn)步,發(fā)動(dòng)機(jī)系統(tǒng)的可靠性越來越受到人們的重視,如何提高系統(tǒng)的可靠性逐漸成為一個(gè)非常重要的科學(xué)問題,對(duì)系統(tǒng)的安全性評(píng)估有很多方法,其中可靠性預(yù)測(cè)是最常用的方法之一。由于其強(qiáng)大的非線性擬合能力,以神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)為主的軟計(jì)算方法是目前系統(tǒng)可靠性預(yù)測(cè)的主要方法,但它們都存在著一些不足,最重要的是單純利用支持向量機(jī)或神經(jīng)網(wǎng)絡(luò)方法都沒有考慮可靠性時(shí)間序列數(shù)據(jù)中存在的不410確定性和隨機(jī)性。因此,如何建立系統(tǒng)合理的可靠性預(yù)測(cè)模型并對(duì)系統(tǒng)可靠性數(shù)據(jù)進(jìn)行預(yù)測(cè)是一項(xiàng)具有非常重要意義的研究工作。針對(duì)該問題,本文研究主要完成了以下工作:1通過閱讀相關(guān)文獻(xiàn)了解到當(dāng)前基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的可靠性預(yù)測(cè)方法的不足,提出了迭代非線性濾波算法下基于最小二乘支持向量機(jī)的可靠性預(yù)測(cè)方法,該方法合理的考慮到了可靠性時(shí)間序列數(shù)據(jù)的不確定性。2建立用于發(fā)動(dòng)機(jī)系統(tǒng)可靠性數(shù)據(jù)預(yù)測(cè)的數(shù)學(xué)模型。為了能夠運(yùn)用迭代非線性濾波算法,基于最小二乘支持向量回歸建立了發(fā)動(dòng)機(jī)失效和可靠性時(shí)間序列預(yù)測(cè)模型的狀態(tài)轉(zhuǎn)移方程和觀測(cè)方程。3為驗(yàn)證提出方法的有效性,用IEKF和IUKF兩種濾波方法對(duì)提出的模型在MATLAB平臺(tái)上進(jìn)行仿真實(shí)驗(yàn),得到了預(yù)測(cè)結(jié)果,利用四個(gè)評(píng)價(jià)指標(biāo),將得到的預(yù)測(cè)誤差與文獻(xiàn)中自回歸模型(AR)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF-NNs)、多層前向反饋感知神經(jīng)網(wǎng)絡(luò)(MLP-NNs)預(yù)測(cè)模型的預(yù)測(cè)誤差進(jìn)行了比較,最終結(jié)果表明,本文所提出的預(yù)測(cè)方法具有更好的預(yù)測(cè)精度。
【關(guān)鍵詞】：可靠性預(yù)測(cè) 最小二乘支持向量回歸 時(shí)間序列 迭代非線性濾波 預(yù)測(cè)模型 仿真
【學(xué)位授予單位】：江蘇科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TB114.3;TP181
【目錄】：

• 摘要6-7
• Abstract7-12
• 第1章 緒論12-18
• 1.1 課題研究背景和意義12
• 1.2 當(dāng)前研究現(xiàn)狀12-15
• 1.2.1 神經(jīng)網(wǎng)絡(luò)方法13-14
• 1.2.2 支持向量機(jī)方法14-15
• 1.2.3 迭代非線性濾波15
• 1.3 當(dāng)前研究所存在的問題15-16
• 1.4 主要研究?jī)?nèi)容與論文結(jié)構(gòu)16-18
• 1.4.1 主要研究?jī)?nèi)容16-17
• 1.4.2 論文結(jié)構(gòu)17-18
• 第2章 最小二乘支持向量機(jī)18-36
• 2.1 機(jī)器學(xué)習(xí)問題18-19
• 2.2 統(tǒng)計(jì)學(xué)理論基礎(chǔ)19-21
• 2.3 支持向量機(jī)21-27
• 2.3.1 支持向量機(jī)分類21-22
• 2.3.2 支持向量機(jī)回歸22-27
• 2.4 參數(shù)選擇27-30
• 2.4.1 核函數(shù)的選擇27-28
• 2.4.2 懲罰參數(shù)及其他參數(shù)的選擇28-29
• 2.4.3 參數(shù)選擇方法29-30
• 2.5 最小二乘支持向量機(jī)30-32
• 2.6 仿真實(shí)驗(yàn)32-35
• 2.7 本章小結(jié)35-36
• 第3章 迭代非線性濾波36-47
• 3.1 非線性系統(tǒng)的狀態(tài)估計(jì)問題36-37
• 3.2 基本卡爾曼濾波37-39
• 3.3 非線性濾波39-42
• 3.3.1 擴(kuò)展卡爾曼濾波39-40
• 3.3.2 無跡卡爾曼濾波40-42
• 3.4 迭代非線性濾波42-45
• 3.4.1 迭代擴(kuò)展卡爾曼濾波43
• 3.4.2 迭代無跡卡爾曼濾波43-45
• 3.5 本章小結(jié)45-47
• 第4章 基于卡爾曼濾波的LS-SVM在線學(xué)習(xí)算法47-57
• 4.1 引言47
• 4.2 可行性分析47-49
• 4.3 LS-SVM 的狀態(tài)空間表達(dá)式49-50
• 4.4 LS-SVM 的在線學(xué)習(xí)50-55
• 4.4.1 基于 IEKF 的 LS-SVM 在線學(xué)習(xí)50-52
• 4.4.2 基于 IUKF 的 LS-SVM 在線學(xué)習(xí)52-55
• 4.5 本章小結(jié)55-57
• 第5章 發(fā)動(dòng)機(jī)系統(tǒng)可靠性預(yù)測(cè)模型建立與仿真57-72
• 5.1 引言57-58
• 5.2 預(yù)測(cè)模型建立58-59
• 5.2.1 IEKF-LSSVM模型58
• 5.2.2 IUKF-LSSVM模型58-59
• 5.3 性能評(píng)價(jià)指標(biāo)59-60
• 5.4 仿真實(shí)驗(yàn)60-71
• 5.4.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理60-62
• 5.4.2 實(shí)驗(yàn)結(jié)果與分析62-71
• 5.5 本章小結(jié)71-72
• 總結(jié)與展望72-74
• 參考文獻(xiàn)74-78
• 攻讀碩士期間發(fā)表的學(xué)術(shù)論文78-79
• 致謝79

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 魯峰;黃金泉;呂怡秋;仇小杰;;基于非線性自適應(yīng)濾波的發(fā)動(dòng)機(jī)氣路部件健康診斷方法[J];航空學(xué)報(bào);2013年11期

2 尤志鋒;石全;胡起偉;劉天斌;;基于支持向量回歸的任務(wù)復(fù)雜性綜合評(píng)估模型[J];計(jì)算機(jī)仿真;2013年12期

3 杜京義;侯媛彬;;基于遺傳算法的支持向量回歸機(jī)參數(shù)選取[J];系統(tǒng)工程與電子技術(shù);2006年09期

4 彭令;牛瑞卿;吳婷;;時(shí)間序列分析與支持向量機(jī)的滑坡位移預(yù)測(cè)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2013年09期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 胡駿;支持向量機(jī)理論及其應(yīng)用[D];武漢科技大學(xué);2011年

  本文關(guān)鍵詞：基于最小二乘支持向量回歸的系統(tǒng)可靠性預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：403578