支持向量机聚类笔记Word文档格式.docx

1、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 1414. 基于支持向量机的旋转机械故障诊断方法研究 1515. 聚类分析和支持向量机相结合的混合预测模型 1616. 基于支持向量机的挖掘机故障诊断系统的研究 1717. 基于线阵的钢绳芯输送带无损检测系统设计 1818. 钢丝绳缺陷漏磁场的有限元仿真研究 1919. 钢丝绳故障的弱磁无损检测技术研究 2020. 基于弱磁的钢丝绳断丝检测磁特性研究分析 2121. 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 2222. 带式输送机动态张紧装置的设计与研制 2323. 钢丝绳拉力智能检测系统研究 241. 聚类分析和支持向量机

2、相结合的混合预测模型【英文题名】Hybrid Hypothes is Model Based on Combination of Cluster Analysis and Support Vector Machines【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】Factor analysis; Cluster analysis; Support vector machines; Classification;【中

3、文摘要】支持向量机（Support Vector Machines,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

4、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】Support vector machines （SVMs） is a method of machine learning based on VC dimension

5、and structural risk minimization principle of the statistical learning theory. SVMs has advantages in solving small sample size problems in practical applications. It also well solves large number of practical problems such as small sample, nonlinear, over learning, high dimensional and local minimu

6、m point. These problems exist in many learning methods. From the point of classification, SVMs is a generalized linear classifi.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;Support Vector Machine; Fault Diagnosis; Multi-c

7、lass; Parameters Optimization of Kernel Function; Incremental Learning;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

8、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, the dominating difficu

9、lties that fault intelligent diagnosis system faces, are terrible lack of typical fault samples and finding problem of diagnosis knowledge, both of which badly prohibit the development of machinery fault intelligent diagnosis. As the support vector machine has many unique advantages, particularly th

10、e excellent performance demonstrated for small samples of situation,it has become one of the hot spots of the study of mechanical fault diagnosis.According to key problems of suppo.【DOI】CNKI:CDMD:2.2010.0200843. 基于粗糙模糊和模糊粗糙聚类的支持向量机Support Vector Machine Based on Rough Fuzzy and Fuzzy Rough Clusterin

11、g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;Rough fuzzy K-mean clustering; Fuzzy rough K-mean clustering; Support vector machine; Fuzzy membership;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

12、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。The shortcomings of the original clustering methods are analyzed. Moreover, the rough theory and fuzzy theory are combined together. Firstly, th

13、e improvement of rough fuzzy K-means clustering algorithm is given. Secondly, a fuzzy rough K-means clustering algorithm is designed, and the validity of fuzzy rough K-means clustering algorithm is verified. The proposed clustering algorithms are applied to support vector machine. In the above applications, the training samples are pre-processed to reduce the number.2.2010.2081674. 基于粗糙集和支持向量机的汽轮机振动故障诊断研究Vibration Fault Diagnosis of Steam Turbine Generating Unit Based on Rough Set and Support Vector Machine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