支持向量数据描述在野点检测方面的应用

论文摘要

野点检测实质上就是一个单值分类问题,野点能提供比正常数据点更多、更重要的信息。野点检测技术已成功的应用到机械故障诊断、手写数字识别、网络异常入侵检测、说话人识别等方面。支持向量数据描述,是一种在统计学习理论和支持向量机基础上发展起来的单值分类方法。其基本思想是通过在特征空间中找出一个包围目标样本点的超球体,并通过最小化该超球体所包围的体积来让目标样本点尽可能的被包围在超球体中,而非目标样本点尽可能的不被包含在超球体中,从而实现两类之间的划分。本文对支持向量数据描述方法领域进行了详细研究,同时将其应用到机械故障诊断中。本文内容包括:基本学习理论、核函数和支持向量机及其性质;支持向量数据描述算法原理;对SVDD算法中常用核函数的性能进行研究,验证了高斯核函数具有一定的实用性;探讨了高斯核参数对SVDD分类器的影响,实验表明:支持向量数据描述算法适合于小规模样本的单值分类问题;根据SVDD分类边界线上的支持向量之间距离的相似度来对训练集进行约减,提出了一种新型的支持向量数据约减算法——SVDD-SR算法,此算法在小规模数据中具有一定的有效性;采用了小波包分解方法进行特征提取,用SVDD方法进行分类的故障诊断方法,得到较好的分类性能。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 目前国内外研究现状
• 1.3 支持向量数据描述理论及其国内外发展概况
• 1.3.1 支持向量数据描述理论
• 1.3.2 支持向量数据描述主要研究内容
• 1.3.3 机械故障诊断
• 1.4 论文的主要内容和结构
• 第二章 基本理论
• 2.1 核函数
• 2.1.1 核函数方法原理
• 2.1.2 Merce定理
• 2.1.3 常用核函数
• 2.1.4 核函数的构造
• 2.2 KKT条件
• 2.3 支持向量机
• 2.3.1 支持向量机原理
• 2.3.2 SVM的推广性
• 2.3.3 惩罚参数C的影响
• 2.3.4 高斯核参数σ的影响
• 2.4 Fisher判别方法
• 2.5 小结
• 第三章 支持向量数据描述方法
• 3.1 支持向量数据描述方法
• 3.2 具有非目标样本数据的SVDD算法
• 3.3 核函数的性能
• 3.3.1 实验及结果
• 3.3.2 结果分析
• 3.4 高斯核参数对SVDD的影响
• 3.4.1 实验
• 3.4.2 结果分析
• 3.5 小结
• 第四章 一种改进的SVDD算法
• 4.1 SVDD-SR算法的提出与步骤
• 4.2 实验
• 4.3 结果分析
• 4.4 小结
• 第五章 SVDD在故障诊断中的应用
• 5.1 特征选择
• 5.1.1 支持向量数据描述中的特征提取
• 5.1.2 PCA方法
• 5.1.3 小波包方法
• 5.2 实验
• 5.3 结果分析
• 5.4 小结
• 第六章 总结与展望
• 6.1 论文工作总结
• 6.2 展望
• 参考文献
• 攻读硕士学位期间发表的论文
• 致谢