支持向量机聚类笔记Word文档格式.docx
《支持向量机聚类笔记Word文档格式.docx》由会员分享，可在线阅读，更多相关《支持向量机聚类笔记Word文档格式.docx（39页珍藏版）》请在冰豆网上搜索。
13.面向旋转机械的支持向量机故障智能诊断方法及实验研究14
14.基于支持向量机的旋转机械故障诊断方法研究15
15.聚类分析和支持向量机相结合的混合预测模型16
16.基于支持向量机的挖掘机故障诊断系统的研究17
17.基于线阵的钢绳芯输送带无损检测系统设计18
18.钢丝绳缺陷漏磁场的有限元仿真研究19
19.钢丝绳故障的弱磁无损检测技术研究20
20.基于弱磁的钢丝绳断丝检测磁特性研究分析21
21.X光强力输送带无损检测系统通信和图像处理软件的研究22
22.带式输送机动态张紧装置的设计与研制23
23.钢丝绳拉力智能检测系统研究24
1.聚类分析和支持向量机相结合的混合预测模型
【英文题名】
HybridHypothesisModelBasedonCombinationofClusterAnalysisandSupportVectorMachines
【作者中文名】
狄明明;
【导师】
孙德山;
【学位授予单位】
辽宁师范大学;
【学科专业名称】
应用数学
【学位年度】
2009
【论文级别】
硕士
辽宁师范大学
2010-03-04
【关键词】
因子分析;
聚类分析;
支持向量机;
分类;
【英文关键词】
Factoranalysis;
Clusteranalysis;
Supportvectormachines;
Classification;
【中文摘要】
支持向量机（SupportVectorMachines,简称SVMs）是建立在统计学习理论的VC（Vapnik-Chervonenkis）维理论和结构风险最小化原理基础上的一种机器学习方法。
支持向量机在解决实际应用中的小样本问题时具有较大的优势,较好地解决了以往困扰很多学习方法的小样本、非线性、过拟合、高维数、局部极小点等实际问题。
如果仅从分类的角度来说,支持向量机是一种广义的线性分类器,它是在线性分类器的基础上,引入结构风险最小化原理、最优化理论和核函数方法深化而成的。
当前基于支持向量机的模型得到了越来越多的重视和应用。
但由于支持向量机最初是针对二分类问题提出的,因此如何将其推广到多类分类问题上就是一个很值得深入研究的问题。
聚类分析方法是一种被广泛应用的且很有效的分类方法,它是利用多元统计分析的基本原理,对一批样本进行分类处理的数学方法。
其基本思路是将一批样本或变量,按照它们在性质上的亲疏程度进行分类,把样本看成是m维空间的一个点。
在m维坐标中,定义点与点之间的某种距离,通过距离的远近把样本分成若干类别。
因此,本文放弃了以往的只采用聚类分析或支持向量机来分类的方法,在分别介绍了聚类分...
【英文摘要】
Supportvectormachines（SVMs）isamethodofmachinelearningbasedonVCdimensionandstructuralriskminimizationprincipleofthestatisticallearningtheory.SVMshasadvantagesinsolvingsmallsamplesizeproblemsinpracticalapplications.Italsowellsolveslargenumberofpracticalproblemssuchassmallsample,nonlinear,overlearning,highdimensionalandlocalminimumpoint.Theseproblemsexistinmanylearningmethods.Fromthepointofclassification,SVMsisageneralizedlinearclassifi...
2.面向旋转机械的支持向量机故障智能诊断方法及实验研究
付静;
何学文;
江西理工大学;
机械电子
【网络出版投稿人】
江西理工大学
【网络出版投稿时间】
2010-01-18
【基金】
江西省自然科学;
支持向量机;
故障诊断;
多类分类;
核参数优化;
增量学习;
SupportVectorMachine;
FaultDiagnosis;
Multi-class;
ParametersOptimizationofKernelFunction;
IncrementalLearning;
目前,故障智能诊断面临的主要难题是典型故障样本的严重不足和诊断知识的发现问题,两者都严重制约着机械故障智能诊断的发展。
由于支持向量机具有许多独特的优势,特别是针对小样本情况所表现出来的优良性能,目前已成为机械故障诊断领域的研究热点之一。
本文围绕支持向量机在机械故障诊断领域的应用研究,就多故障分类器模型的建立、故障特征提取、核函数的参数优化、以及增量学习等关键问题进行了研究。
本文主要包括以下几方面内容:
1、论述了课题研究的背景和意义;
综述了支持向量机的理论研究和应用发展;
分析了支持向量机应用于机械故障诊断领域的可行性、优势及存在的不足;
最后给出了本文的主要研究内容。
2、以Bently转子试验台模拟的典型故障为诊断对象,研究了运用小波包分解提取故障特征的方法。
3、针对标准支持向量机不能直接用于解决故障诊断这种典型多值分类问题的困难,本文提出采用基于聚类思想的二叉树多类分类算法来建立多类故障分类器模型。
4、故障分类器的分类性能与支持向量机核函数参数有很大的关系,本文研究了以Fisher判别函数为目标函数的核函数参数优化原理,提出了基于Fisher判别准则和粒子群优化算法相结合...
Recently,thedominatingdifficultiesthatfaultintelligentdiagnosissystemfaces,areterriblelackoftypicalfaultsamplesandfindingproblemofdiagnosisknowledge,bothofwhichbadlyprohibitthedevelopmentofmachineryfaultintelligentdiagnosis.Asthesupportvectormachinehasmanyuniqueadvantages,particularlytheexcellentperformancedemonstratedforsmallsamplesofsituation,ithasbecomeoneofthehotspotsofthestudyofmechanicalfaultdiagnosis.Accordingtokeyproblemsofsuppo...
【DOI】
CNKI:
CDMD:
2.2010.020084
3.基于粗糙模糊和模糊粗糙聚类的支持向量机
SupportVectorMachineBasedonRoughFuzzyandFuzzyRoughClustering
吴静;
田大增;
哈明虎;
河北大学;
2010
河北大学
2010-08-26
国家自然科学;
河北省自然科学;
教育部科学技术研究;
粗糙模糊K-均值聚类;
模糊粗糙K-均值聚类;
模糊隶属度;
RoughfuzzyK-meanclustering;
FuzzyroughK-meanclustering;
Supportvectormachine;
Fuzzymembership;
在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,首先,给出了一种改进的粗糙模糊K-均值聚类算法;
其次,设计了一种新的模糊粗糙K-均值聚类算法,并验证了该聚类算法的有效性;
进而将这两种聚类算法应用到支持向量机中,对训练样本做预处理,以减少样本数目,提高其训练速度和分类精度。
最后,在考虑样本紧密度的基础上,提出了一种新的模糊隶属度的确定方法,构建了一种新的模糊支持向量机。
实验结果显示该方法可以给非支持向量赋予很小的隶属度,降低其对分类面的影响。
同时,又能确保支持向量有较大的隶属度,提高模糊支持向量机的分类精度。
Theshortcomingsoftheoriginalclusteringmethodsareanalyzed.Moreover,theroughtheoryandfuzzytheoryarecombinedtogether.Firstly,theimprovementofroughfuzzyK-meansclusteringalgorithmisgiven.Secondly,afuzzyroughK-meansclusteringalgorithmisdesigned,andthevalidityoffuzzyroughK-meansclusteringalgorithmisverified.Theproposedclusteringalgorithmsareappliedtosupportvectormachine.Intheaboveapplications,thetrainingsamplesarepre-processedtoreducethenumber...
2.2010.208167
4.基于粗糙集和支持向量机的汽轮机振动故障诊断研究
VibrationFaultDiagnosisofSteamTurbineGeneratingUnitBasedonRoughSetandSupportVectorMachine
李鹏;
董泽;
华北电力大学（河北）;
控制理论与控制工程
华北电力大学（河
升级会员 