基于BP神经网络和SVM的信号分类方法的研究

发布时间：2017-04-08 21:08

  本文关键词：基于BP神经网络和SVM的信号分类方法的研究，由笔耕文化传播整理发布。

【摘要】：生产过程中的大量数据信号中包含了许多重要信息,这些信息关系到生产设备的安全性能,影响到产品的质量,也是检测故障的关键信息。生产过程中一旦出现故障,不仅仅会造成重大的经济损失,还会危及到人身和设备的安全。对信号的分类处理恰好可以很好的解决设备生产的安全问题,对数据信号进行分类处理,分析信号中的有用信息,检测设备是否存在故障,保证生产的安全性,是一项极其重要的工作。本文首先分析和研究了基于BP神经网络的信号分类方法,设计BP网络模型,结合PCA降维和小波包去噪处理等方法,研究了基于数据预处理的BP分类的改进方法,同时将遗传算法和粒子群优化算法应用于BP网络分类方法中,进一步优化BP网络模型,改善BP分类方法,并通过仿真实验验证了改进后的BP网络分类方法的有效性。针对BP网络分类方法的存在分类精度低等缺点,进一步分析研究了基于支持向量机(SVM)的分类方法,通过合理选取核函数和相关参数,给出了SVM分类算法的步骤,并将数据预处理方法应用到数据处理中,重点研究基于数据预处理的SVM分类方法,并将遗传算法和粒子群算法分别与SVM分类方法相结合,进一步优化SVM的组合参数,提高SVM分类方法的准确性。通过实验仿真验证了改进型SVM分类方法的可行性和有效性。最后分别从运行时间和分类精度两个标准对改进的BP网络的分类方法和改进的SVM的分类方法进行了比较和评价,仿真实验结果证明SVM分类方法更优于BP网络分类方法。
【关键词】：信号分类 BP神经网络 支持向量机(SVM) PCA降维 小波包消噪 遗传算法(GA) 粒子群算法(PSO)
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP183;TN911.7
【目录】：

• 摘要3-4
• Abstract4-8
• 第1章 绪论8-14
• 1.1 课题研究的背景及意义8-9
• 1.2 信号分类方法的研究现状9-12
• 1.2.1 信号分类方法的研究现状9-10
• 1.2.2 神经网络在分类问题中的应用与研究现状10-11
• 1.2.3 支持向量机在分类处理中的应用与研究现状11-12
• 1.3 课题研究的主要内容和论文结构12-14
• 第2章 BP神经网络和SVM的基本分类理论14-26
• 2.1 分类理论概述14-15
• 2.1.1 分类的定义14
• 2.1.2 几种常见的分类方法14-15
• 2.2 BP神经网络的分类理论15-20
• 2.2.1 人工神经网络的概述15-19
• 2.2.2 BP神经网络分类19-20
• 2.3 支持向量机(SVM)的分类理论20-24
• 2.3.1 统计学习理论的概述20-22
• 2.3.2 支持向量机理论22-24
• 2.3.3 SVM分类理论24
• 2.4 本章小结24-26
• 第3章 基于BP神经网络的信号分类方法的研究26-54
• 3.1 基于BP神经网络分类方法的研究26-41
• 3.1.1 BP神经网络分类算法和设计26-30
• 3.1.2 基于数据预处理的BP分类方法的研究30-34
• 3.1.3 实验与结果分析34-41
• 3.2 基于遗传算法(GA)的BP网络分类方法的研究41-48
• 3.2.1 遗传算法(GA)41-44
• 3.2.2 GA优化BP网络权值和结构的算法设计44-45
• 3.2.3 实验与结果分析45-48
• 3.3 基于粒子群算法(PSO)的BP网络分类方法的研究48-51
• 3.3.1 粒子群优化算法(PSO)49-50
• 3.3.2 PSO优化BP网络权值和结构的算法设计50-51
• 3.4 实验分析51-52
• 3.5 本章小结52-54
• 第4章 基于SVM的信号分类方法的研究54-78
• 4.1 基于SVM的分类方法的研究54-67
• 4.1.1 SVM分类算法和设计54-59
• 4.1.2 基于数据预处理的SVM分类方法59-60
• 4.1.3 实验结果与分析60-67
• 4.2 基于遗传(GA)的SVM分类方法的研究67-70
• 4.2.1 GA优化SVM参数的算法及设计67-68
• 4.2.2 实验与结果分析68-70
• 4.3 基于粒子群(PSO)的SVM分类方法的研究70-74
• 4.3.1 PSO优化SVM参数的算法及设计70-71
• 4.3.2 实验与结果分析71-74
• 4.4 实验分析74-75
• 4.5 基于BP神经网络和SVM的信号分类方法的比较75-77
• 4.6 本章小结77-78
• 第5章 总结与展望78-80
• 5.1 工作总结78-79
• 5.2 研究展望79-80
• 参考文献80-86
• 在读期间发表的学术论文及研究成果86-87
• 致谢87

【参考文献】

中国期刊全文数据库 前6条

1 吴勇;吴传生;刘小双;;小波包分析在振动测试信号去噪中的应用[J];安徽师范大学学报(自然科学版);2007年01期

2 闵建虎;赵振勇;;基于遗传算法的BP网络学习算法研究[J];电子科技;2008年11期

3 白润才,殷伯良,孙庆宏;BP神经网络模型在城市环境质量评价中的应用[J];辽宁工程技术大学学报(自然科学版);2001年03期

4 鲁怀伟,杜三山;一种小波包去噪自适应阈值算法[J];兰州铁道学院学报;2001年06期

5 王桂洋;张亚庭;;基于APSO优化算法的GCHP系统神经网络预测控制[J];计算机测量与控制;2014年01期

6 彭朝琴;曹纯;黄姣英;刘秋生;;Seismic signal recognition using improved BP neural network and combined feature extraction method[J];Journal of Central South University;2014年05期

  本文关键词：基于BP神经网络和SVM的信号分类方法的研究，由笔耕文化传播整理发布。

，

本文编号：293703