面向大规模噪声数据的软性核凸包支持向量机

现有的面向大规模数据分类的支持向量机(support vector machine,SVM)对噪声样本敏感,针对这一问题,通过定义软性核凸包和引入pinball损失函数,提出了一种新的软性核凸包支持向量机(soft kernel convex hull support vector machine for large scale noisy datasets,SCH-SVM).SCH-SVM首先定义了软性核凸包的概念,然后选择出能代表样本在核空间几何轮廓的软性核凸包向量,再将其对应的原始空间样本作为训练样本并基于pinball损失函数来寻找两类软性核凸包之间的最大分位数距离.相关理论和实验结果亦证明了所提分类器在训练时间,抗噪能力和支持向量数上的有效性.

基于软性核凸包支持向量机算法滚动轴承故障诊断分析

滚动轴承运行过程中形成局部故障如不及时做到诊断会造成严重后果。为了提高滚动轴承故障诊断精度,设计了一种软性核凸包支持向量机(SCH-SVM)测试方法。设计实验测试了滚动轴承故障的热成像结果,完成本方法的有效性验证。研究结果表明:提高软性因子后,诊断结果都表现为先升高再降低变化,将软性因子λ都设定在最优诊断分类状态为1.1。张量分类器SCH-SVM与STM相对向量分类器SVM与FCH获得了更优诊断性能,说明SCH-SVM对于机械故障诊断满足可靠性要求。逐渐增加训练样本数量后,形成了更相近的诊断精度,采用热成像作为输入时可以获得比振动信号作为输入时更高的精度。该研究能够有效提高滚动轴承故障诊断效率,可推广到其它的机械传动领域,具有很好的理论研究价值。