基于最小二乘支持向量回归的系统可靠性预测

发布时间：2017-05-28 22:13

  本文关键词：基于最小二乘支持向量回归的系统可靠性预测，由笔耕文化传播整理发布。

【摘要】：近年来,随着社会的变革、文化的发展以及科学技术的飞速进步,发动机系统的可靠性越来越受到人们的重视,如何提高系统的可靠性逐渐成为一个非常重要的科学问题,对系统的安全性评估有很多方法,其中可靠性预测是最常用的方法之一。由于其强大的非线性拟合能力,以神经网络和支持向量机为主的软计算方法是目前系统可靠性预测的主要方法,但它们都存在着一些不足,最重要的是单纯利用支持向量机或神经网络方法都没有考虑可靠性时间序列数据中存在的不410确定性和随机性。因此,如何建立系统合理的可靠性预测模型并对系统可靠性数据进行预测是一项具有非常重要意义的研究工作。针对该问题,本文研究主要完成了以下工作:1通过阅读相关文献了解到当前基于神经网络和支持向量机的可靠性预测方法的不足,提出了迭代非线性滤波算法下基于最小二乘支持向量机的可靠性预测方法,该方法合理的考虑到了可靠性时间序列数据的不确定性。2建立用于发动机系统可靠性数据预测的数学模型。为了能够运用迭代非线性滤波算法,基于最小二乘支持向量回归建立了发动机失效和可靠性时间序列预测模型的状态转移方程和观测方程。3为验证提出方法的有效性,用IEKF和IUKF两种滤波方法对提出的模型在MATLAB平台上进行仿真实验,得到了预测结果,利用四个评价指标,将得到的预测误差与文献中自回归模型(AR)、径向基函数神经网络(RBF-NNs)、多层前向反馈感知神经网络(MLP-NNs)预测模型的预测误差进行了比较,最终结果表明,本文所提出的预测方法具有更好的预测精度。
【关键词】：可靠性预测 最小二乘支持向量回归 时间序列 迭代非线性滤波 预测模型 仿真
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TB114.3;TP181
【目录】：

• 摘要6-7
• Abstract7-12
• 第1章 绪论12-18
• 1.1 课题研究背景和意义12
• 1.2 当前研究现状12-15
• 1.2.1 神经网络方法13-14
• 1.2.2 支持向量机方法14-15
• 1.2.3 迭代非线性滤波15
• 1.3 当前研究所存在的问题15-16
• 1.4 主要研究内容与论文结构16-18
• 1.4.1 主要研究内容16-17
• 1.4.2 论文结构17-18
• 第2章 最小二乘支持向量机18-36
• 2.1 机器学习问题18-19
• 2.2 统计学理论基础19-21
• 2.3 支持向量机21-27
• 2.3.1 支持向量机分类21-22
• 2.3.2 支持向量机回归22-27
• 2.4 参数选择27-30
• 2.4.1 核函数的选择27-28
• 2.4.2 惩罚参数及其他参数的选择28-29
• 2.4.3 参数选择方法29-30
• 2.5 最小二乘支持向量机30-32
• 2.6 仿真实验32-35
• 2.7 本章小结35-36
• 第3章 迭代非线性滤波36-47
• 3.1 非线性系统的状态估计问题36-37
• 3.2 基本卡尔曼滤波37-39
• 3.3 非线性滤波39-42
• 3.3.1 扩展卡尔曼滤波39-40
• 3.3.2 无迹卡尔曼滤波40-42
• 3.4 迭代非线性滤波42-45
• 3.4.1 迭代扩展卡尔曼滤波43
• 3.4.2 迭代无迹卡尔曼滤波43-45
• 3.5 本章小结45-47
• 第4章 基于卡尔曼滤波的LS-SVM在线学习算法47-57
• 4.1 引言47
• 4.2 可行性分析47-49
• 4.3 LS-SVM 的状态空间表达式49-50
• 4.4 LS-SVM 的在线学习50-55
• 4.4.1 基于 IEKF 的 LS-SVM 在线学习50-52
• 4.4.2 基于 IUKF 的 LS-SVM 在线学习52-55
• 4.5 本章小结55-57
• 第5章 发动机系统可靠性预测模型建立与仿真57-72
• 5.1 引言57-58
• 5.2 预测模型建立58-59
• 5.2.1 IEKF-LSSVM模型58
• 5.2.2 IUKF-LSSVM模型58-59
• 5.3 性能评价指标59-60
• 5.4 仿真实验60-71
• 5.4.1 实验数据预处理60-62
• 5.4.2 实验结果与分析62-71
• 5.5 本章小结71-72
• 总结与展望72-74
• 参考文献74-78
• 攻读硕士期间发表的学术论文78-79
• 致谢79

【参考文献】

中国期刊全文数据库 前4条

1 鲁峰;黄金泉;吕怡秋;仇小杰;;基于非线性自适应滤波的发动机气路部件健康诊断方法[J];航空学报;2013年11期

2 尤志锋;石全;胡起伟;刘天斌;;基于支持向量回归的任务复杂性综合评估模型[J];计算机仿真;2013年12期

3 杜京义;侯媛彬;;基于遗传算法的支持向量回归机参数选取[J];系统工程与电子技术;2006年09期

4 彭令;牛瑞卿;吴婷;;时间序列分析与支持向量机的滑坡位移预测[J];浙江大学学报(工学版);2013年09期

中国硕士学位论文全文数据库 前1条

1 胡骏;支持向量机理论及其应用[D];武汉科技大学;2011年

  本文关键词：基于最小二乘支持向量回归的系统可靠性预测，由笔耕文化传播整理发布。

，

本文编号：403578