基于支持向量机集成学习的网络故障诊断方法

发布时间：2017-08-01 21:22

  本文关键词：基于支持向量机集成学习的网络故障诊断方法

  更多相关文章： 支持向量机 二重扰动 集成学习 故障诊断

【摘要】：针对现有支持向量机(support vector machine,SVM)多分类方法在网络故障诊断中识别精度较低的问题,提出一种基于二叉树结构和模型二重扰动的SVM集成学习算法;通过集成学习思想提高网络故障诊断的精度;在集成过程中对二叉树结构和核参数进行扰动,加大个体分类器的差异度,提升了诊断模型的泛化性;在实际网络中的诊断实验表明,所提的方法较二叉树等其它SVM多分类方法具有更高的诊断精度。
【作者单位】： 镇江高等专科学校实验实训中心;江苏大学电气信息工程学院;
【关键词】： 支持向量机 二重扰动 集成学习 故障诊断
【基金】：江苏省高校实验室研究会研究课题(JS2012-2) 江苏省现代教育技术研究2010年度课题(2010-R-16866) 镇江市科技支撑计划项目(GY2012041)
【分类号】：TP393.06;TP181
【正文快照】： 0引言随着信息技术的发展,网络在人们日常生活以及军事中的地位越来越重要,保证网络通信的正常和可靠,成为当前经济、国防和社会的迫切需求。近年来,人们对网络故障诊断(network fault diagnosis,NFD)展开了大量的研究[1-4],典型的方法有支持向量机(support vector machine,SV

【共引文献】

中国期刊全文数据库 前1条

1 冯志刚;张学娟;;基于LS-SVM和SVM的气动执行器故障诊断方法[J];传感技术学报;2013年11期

中国重要会议论文全文数据库 前1条

1 赵家黎;孙珍菊;刘远;;基于VB/MATLAB混合编程的数控珩磨机进给控制系统研究[A];创新装备技术 给力地方经济——第三届全国地方机械工程学会学术年会暨海峡两岸机械科技论坛论文集[C];2013年

中国硕士学位论文全文数据库 前2条

1 罗承铭;基于电容法的谷物水分检测系统研究与设计[D];西北农林科技大学;2011年

2 张建华;基于数据驱动的乳化器故障诊断系统的研究[D];杭州电子科技大学;2014年

【二级参考文献】

中国期刊全文数据库 前3条

1 周皓;李少洪;;SVM最优分类面相对位置的修正[J];北京航空航天大学学报;2009年11期

2 赵四军;王少萍;尚耀星;;航空液压泵柱塞游隙增大故障诊断[J];北京航空航天大学学报;2010年03期

3 李永松;艾凯;尹健民;;基于VB与Matlab的BP神经网络在地应力场分析中的应用[J];长江科学院院报;2009年06期

【相似文献】

中国期刊全文数据库 前10条

1 张沧生;崔丽娟;杨刚;倪志宏;;集成学习算法的比较研究[J];河北大学学报(自然科学版);2007年05期

2 陈凯;;基于聚类技术的集成学习差异性研究[J];南京工业职业技术学院学报;2008年04期

3 李凯;崔丽娟;;集成学习算法的差异性及性能比较[J];计算机工程;2008年06期

4 潘志松;燕继坤;;少数类的集成学习[J];南京航空航天大学学报;2009年04期

5 陈凯;马景义;;一种选择性SER-BagBoosting Trees集成学习研究[J];计算机科学;2009年09期

6 陈全;赵文辉;李洁;江雨燕;;选择性集成学习算法的研究[J];计算机技术与发展;2010年02期

7 饶峰;;核机器集成学习算法的误差分析[J];重庆文理学院学报(自然科学版);2010年04期

8 吴科主;江雨燕;周传华;;一种多层次选择性集成学习算法[J];计算机应用与软件;2011年01期

9 张春霞;张讲社;;选择性集成学习算法综述[J];计算机学报;2011年08期

10 付忠良;;通用集成学习算法的构造[J];计算机研究与发展;2013年04期

中国重要会议论文全文数据库 前4条

1 关菁华;刘大有;贾海洋;;自适应多分类器集成学习算法[A];第二十五届中国数据库学术会议论文集（二）[C];2008年

2 刘伍颖;王挺;;一种多过滤器集成学习垃圾邮件过滤方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

3 叶红云;倪志伟;陈恩红;;一种混合型集成学习演化决策树算法[A];2005年“数字安徽”博士科技论坛论文集[C];2005年

4 李烨;蔡云泽;许晓鸣;;基于支持向量机集成的故障诊断[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

中国博士学位论文全文数据库 前10条

1 张春霞;集成学习中有关算法的研究[D];西安交通大学;2010年

2 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年

3 尹华;面向高维和不平衡数据分类的集成学习研究[D];武汉大学;2012年

4 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

5 方育柯;集成学习理论研究及其在个性化推荐中的应用[D];电子科技大学;2011年

6 李烨;基于支持向量机的集成学习研究[D];上海交通大学;2007年

7 程丽丽;支持向量机集成学习算法研究[D];哈尔滨工程大学;2009年

8 林智勇;基于核方法的不平衡数据学习[D];华南理工大学;2009年

9 李磊军;基于间隔和置信度的选择性集成学习算法研究[D];哈尔滨工业大学;2014年

10 夏俊士;基于集成学习的高光谱遥感影像分类[D];中国矿业大学;2013年

中国硕士学位论文全文数据库 前10条

1 张妤;支持向量机集成学习方法研究[D];山西大学;2008年

2 李涛;基于条件互信息的集成学习的研究与应用[D];中国海洋大学;2009年

3 杨长盛;基于成对差异性度量的选择性集成学习方法研究[D];安徽大学;2010年

4 曹振田;基于Q统计量的选择性集成学习研究[D];安徽大学;2010年

5 王丽丽;集成学习算法研究[D];广西大学;2006年

6 马冉冉;集成学习算法研究[D];山东科技大学;2010年

7 张新东;集成学习及其应用研究[D];石家庄经济学院;2010年

8 吴科主;基于多任务的多层次选择性集成学习的研究[D];安徽工业大学;2010年

9 李平;集成学习中差异性控制方法研究[D];大连海事大学;2012年

10 田智辉;基于集成学习的故障诊断方法研究[D];西安石油大学;2013年

，

本文编号：606264