-
题名改进支持向量机模型的旋转机械故障诊断方法
被引量:14
- 1
-
-
作者
曹冲锋
杨世锡
周晓峰
杨将新
-
机构
浙江大学机械与能源工程学院
-
出处
《振动.测试与诊断》
EI
CSCD
北大核心
2009年第3期270-273,共4页
-
基金
国家自然科学基金资助项目(编号:50505016)
国家"八六三"计划资助项目(编号:2007AA04Z424)
-
文摘
针对支持向量机在旋转机械的故障诊断中存在的模型超参数选择的不确定性,利用超参数相关理论和先验知识界定模型超参数选择区间,结合全局搜索和局部搜索实现参数优化组合,运用泛化模式搜索的模型超参数选择方法,并将改进的支持向量机模型引入旋转机械的故障诊断。结果表明,改进的模型具有较高的搜索效率和参数优化选择性能,提高了故障诊断的精度。
-
关键词
旋转机械
故障诊断
改进支持向量机模型
泛化模式搜索
超参数选择
-
Keywords
rotating machine fault diagnosis improved support vector machines(SVM) model generalized pattern search hyper-parameter selection
-
分类号
TP206.3
[自动化与计算机技术—检测技术与自动化装置]
TH165.3
[机械工程—机械制造及自动化]
-
-
题名基于PSO-SVM的凤县公路边坡地质灾害空间预测
被引量:4
- 2
-
-
作者
吴迪
-
机构
陕西铁路工程职业技术学院测绘工程系
-
出处
《中国地质灾害与防治学报》
CSCD
2018年第6期112-120,共9页
-
基金
陕西铁路工程职业技术学院2017年第二批科研基金项目(KY2017-048)
-
文摘
边坡地质灾害是造成凤县公路长时间中断的主要原因之一,开展灾害空间预测对提高公路抗灾能力和区域防减灾能力具有重要意义。在分析凤县公路边坡地质灾害概况和选取预测因子的基础上开展灾害隐患点调查,采用粒子群改进支持向量机模型(PSO-SVM)和地理信息系统进行灾害空间预测并逐网格计算灾害易发性指数,应用成功率法检验预测结果,基于灾害易发性指数将凤县分为高易发、中易发、低易发和基本安全4级易发区。结果表明:凤县公路边坡地质灾害的易发性指数最小为0. 08、最大为0. 96,粒子群改进支持向量机的曲线下面积为0. 907,易发性从西向东逐渐降低;基本安全、低易发、中易发和高易发区分别占凤县总面积的48. 34%、23. 92%、18. 46%和9. 28%,灾害调查确定的423处灾害隐患点中有23处、41处、96处和263处位于以上区域,分别占总数的5. 31%、9. 45%、22. 16%和63. 08%,G316和S201、S205均有部分路段穿越高易发区。
-
关键词
凤县
粒子群改进支持向量机模型(PSO-SVM)
公路边坡地质灾害
空间预测
地理信息系统
-
Keywords
Feng county
particle swarm improves support vector machine (PSO-SVM)
highway slope geo-
disaster
spatial prediction
Geography Information System (GIS)
-
分类号
U416.12
[交通运输工程—道路与铁道工程]
-