资源描述
基于数据驱动的故障检测与诊断方法理论$哈尔滨工程大学Harbin Engineering University方法理论基于PCA的方法 PCA简述PCAl样本标准化l求解标准化样本协方差阵的特征值与特征向量l确定主元个数l确定负荷矩阵$哈尔滨工程大学Harbin Engineering University方法理论基于PCA的方法 PCA检测流程样本标准化阈值的设定在线的检测S1:计算样本属性均值与方差 S2:构造标准化样本矩阵S1:对样本协方差阵进行奇异值分解 S2:确定主元个数并求解负荷矩阵S3:设定阈值S1:标准化待测数据 S2:计算检测统计量S3:作出检测判断$哈尔滨工程大学Harbin Engineering University方法理论基于PCA的方法 样本标准化S1:S2:标准化样本阵$哈尔滨工程大学Harbin Engineering University方法理论基于PCA的方法 阈值的设定S1:S2:S3:$哈尔滨工程大学Harbin Engineering University方法理论基于PCA的方法 在线的检测S1:S2:S3:无故障,其他有故障$哈尔滨工程大学Harbin Engineering University方法理论基于BP神经网络的方法 神经元模型阈值阈值函数sigmoid函数双曲正切函数$哈尔滨工程大学Harbin Engineering University方法理论基于BP神经网络的方法 BP网络结构输入层隐含层输出层前馈网络三层BP网络隐含层节点经验公式$哈尔滨工程大学Harbin Engineering University方法理论基于BP神经网络的方法BP算法动量因子收敛速度加快不易陷入局部极值学习速率目标梯度下降法误差函数权值修正规则$哈尔滨工程大学Harbin Engineering University方法理论基于BP神经网络的方法BP算法 BP算法对输入输出样本进行训练的过程可以分为两个阶段。第一个阶段:BP神经网络对从输入层接受的数据进行前向传播,这个过程不进行权值的调整,只是为了得到当前权值下的一组网络输出。第二个阶段:通过对上一次前向传播的输出结果进行误差计算,并求得本次网络权值的修正量,反向传播修正权值。这两个过程反复交替地运行,直到误差达到期望要求或收敛为止。可以看到,BP神经网络的前向传播用于对网络输出的计算;而反向传播则用于对输出误差的传递,进而不断修正网络权值,以使网络的输出误差达到期望要求。$哈尔滨工程大学Harbin Engineering University方法理论基于BP神经网络的方法检测与诊断输入层隐含层输出层样本类别1 1 0 02 0 1 03 0 0 1类别编码$哈尔滨工程大学Harbin Engineering University方法理论基于SVM的方法SVM简述 支持向量机(SVM)是Vapnik团队于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中,支持向量机(SVM)学习算法训练出的是一种有监督学习模型,可以用来分析数据,识别模式,广泛用于各种分类和回归分析当中。SVM是建立在统计学习理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以求获得最好的推广能力。$哈尔滨工程大学Harbin Engineering University方法理论基于SVM的方法最大间隔法右图是SVM在二维空间上分类的几何示意图,图中实心点和空心点分别表示两类的训练样本。H为可以将两类准确分开的分类线,H1,H2为两条平行于H并穿过两类样本中离H最近的点的直线,称之为支持直线。我们把H1和H2之间的距离称作分类间隔。所谓最大间隔法就是要求分类线不但能将两类正确分开(训练错误率为0),而且使分类间隔最大,此时得到的分类线称之为最优分类线。推广到高维空间,最优分类线就变为最优分类面。最优化问题应为对变量w和b的凸的二次规划问题$哈尔滨工程大学Harbin Engineering University方法理论基于SVM的方法软间隔情况一:样本本质上线性,非线性由噪音导致u强制使用非线性函数,会导致过拟合u解决方法:软间隔松弛变量惩罚参数最优化问题$哈尔滨工程大学Harbin Engineering University方法理论基于SVM的方法核函数情况二:样本本质上是非线性可分的u解决方法:核函数目的:映射到高维空间,使样本线性可分常用核函数l线性核函数l多项式核函数lGauss径向基核函数避免维数灾难$哈尔滨工程大学Harbin Engineering University方法理论基于SVM的方法检测与诊断有向无环图法多分类间接法直接法(Crammer-Singer SVM)一对一有向无环图法纠错输出编码法一对余.
展开阅读全文