發(fā)布時(shí)間：2018-08-19 10:35

【摘要】：在支持向量機(jī)(SVM)基礎(chǔ)上拓展出的最小二乘支持向量機(jī)(LS-SVM)非線性泛化能力更好,具有較高的擬合和預(yù)測精度,目前被廣泛應(yīng)用于設(shè)備狀態(tài)趨勢預(yù)測中。為進(jìn)一步提高其預(yù)測精度,結(jié)合基于同源信息融合的全矢譜技術(shù)提出一種新的趨勢預(yù)測方法——全矢LS-SVM。該方法采用全矢譜技術(shù)融合雙通道信息,相比傳統(tǒng)單通道信號提取方法,保障LS-SVM預(yù)測數(shù)據(jù)特征提取的完整性,提高預(yù)測精度。將該方法應(yīng)用于某電廠1號汽輪機(jī)振動數(shù)據(jù)的預(yù)測,實(shí)驗(yàn)結(jié)果表明,全矢LS-SVM方法具有較高的預(yù)測精度。
[Abstract]:Based on the support vector machine (SVM), the least squares support vector machine (LS-SVM) has better nonlinear generalization ability and higher fitting and prediction accuracy, so it is widely used in equipment state trend prediction. In order to further improve the prediction accuracy, a new trend prediction method, full vector LS-SVM, is proposed in combination with the full vector spectrum technique based on homologous information fusion. Compared with the traditional single-channel signal extraction method, this method uses full-vector spectrum technology to fuse two-channel information, which ensures the integrity of LS-SVM prediction data feature extraction and improves the prediction accuracy. The method is applied to the prediction of vibration data of No. 1 steam turbine in a power plant. The experimental results show that the full-vector LS-SVM method has a high prediction accuracy.
【作者單位】： 鄭州大學(xué)振動工程研究所;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(51405453) 河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目指導(dǎo)計(jì)(13B603970.0) 河南省高等學(xué)校精密制造技術(shù)與工程重點(diǎn)學(xué)科開放實(shí)驗(yàn)室開放基金資助項(xiàng)目(PMTE201302A)
【分類號】：TH17

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機(jī)和小波分解的氣體識別研究[J];儀器儀表學(xué)報(bào);2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機(jī)的一個(gè)邊界樣本修剪方法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年07期

3 張菁華;袁鑫;劉達(dá);;基于支持向量機(jī)的電力工程最優(yōu)投標(biāo)報(bào)價(jià)決策研究[J];山東電力高等�？茖W(xué)校學(xué)報(bào);2006年04期

4 張濤;段淑敏;;支持向量機(jī)在中醫(yī)疾病癥候診斷中的應(yīng)用[J];華北水利水電學(xué)院學(xué)報(bào);2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機(jī)回歸[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年S2期

6 陳丹;;多類支持向量機(jī)算法的研究[J];東莞理工學(xué)院學(xué)報(bào);2007年05期

7 程麗麗;張健沛;馬駿;;一種改進(jìn)的加權(quán)邊界調(diào)節(jié)支持向量機(jī)算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2007年10期

8 宋召青;崔和;胡云安;;支持向量機(jī)理論的研究與進(jìn)展[J];海軍航空工程學(xué)院學(xué)報(bào);2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機(jī)[J];黑龍江交通科技;2008年12期

10 許超;運(yùn)士偉;舒云星;;基于支持向量機(jī)的混凝土測強(qiáng)換算模型[J];洛陽理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年02期

相關(guān)會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識方法研究及應(yīng)用[A];中國力學(xué)大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：2191411