基于支持向量机的电缆故障识别

《基于支持向量机的电缆故障识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、论文题目：专业：硕士生：指导老师：基于支持向量机的电缆故障识别控制理论与控制工程周丹汪梅摘要支持向量机是上世纪九十年代提出的一种基于小样本的新的统计学习方法。支持向量机方法基于统计学习理论与结构风险最小化原理，具有良好的推广性和较高的准确率。它集成了最优分类超平面、Mercer核、凸二次规划等多项技术，能有效地解决“过学习"、“维数灾难”和局部极小点等问题。由于出色的学习性能，支持向量机已经成为当前机器学习界的研究热点，并在很多领域得到广泛的应用，包括模式识别、回归估计等方面。支持向量机方法最初是针对二类别的分类问题提出的，如何将二类别分类方法扩展到多类别分类是支持向量机研究的一个重要内

2、容。本文从支持向量机的基本理论出发，针对分类问题着重讨论了以下几个方面的内容：(1)对机器学习、统计学习理论以及支持向量机的发展和研究现状进行了介绍。(2)支持向量机二分类算法的研究，对目前存在的多种支持向量机模型进行了研究分析，比较了它们的性能与应用范围。(3)支持向量机多类分类算法的研究，首先总结了目前存在的支持向量机的多类分类算法，包括一类对余类、一类对一类、一次性求解方法、决策有向无环图方法、决策二叉树方法等几种方法，比较了它们的优缺点以及性能。同时本文在决策二叉树基础上，针对二叉树结构的生成问题，改进了凸壳二叉树多类分类方法，实验结果表明该方法的有效性。本文通过以上工作，主要对

3、确定支持向量机多类分类算法的结构、发展新的支持向量机多类分类算法、多类样本所有两类间的可分性对比关系及其与核函数的联系等几个方面进行了研究，并将凸壳二叉树多类分类方法应用于对电缆四种状态的识别，取得了较好的效果。关键词：支持向量机；多类分类；凸壳--y．树；行波熵函数；故障识别；电力电缆研究类型：应用研究Subject：PowerCableFaultsRecognitionBasedOHtheSupportVectorMachineSpecialty：ControlTheoryandControlEngineeringName：ZhouDanInstructor：WangMeiABSTR

4、ACT(signature)办跏．(signature)∑丝兰丝矽／Supportvectormachine(SVM)proposedinthelast90’Scenturyisanewstatisticlearningmethodbasedonfewersamples．Supportvectormachine，whichbasedonstatisticallearningtheoryandstructuralriskminimizationprinciple，isofthegoodextensionabilityandthebetteraccuracy．ItintegratestheU

5、SeSofoptimalclassificationhyperplane，Mercer’Stheorem，convexquadraticprogrammingandseveraltechnologies．ItcansolveeffectivelysomeproblemssuchasOVerlearning，dimensionCurseandlocalminimizationpoint．Supportvectormachine，whichiswidelyappliedinmuchregionssuchaspatternrecognition,regressionestimationandS

6、OOn,hasbecamearesearchhotspotforitsexcellentlearningperformanceinmachinelearningdomain．Supportvectormachineisoriginallyproposedforbinaryclassificationproblems．Howtoextenditformulti-classclassificationisasignificantissue．Aimingattheclassificationproblem，thefollowingcontentsarediscussedfromtheprosp

7、ectofthebasictheoryoftheSupportvectormachine．(1)Themachinelearning,statisticallearningtheoryandthedevelopmentandresearchstatusofsupportvectormachineareintroduced．(2)Forthetwo—classclassificationalgorithmofthesupportvec