一种改进的基于直推式支持向量机的故障分类算法

摘要

随着大数据时代的到来,过程工业中产生了大量的过程数据.传统的支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,其学习过程依赖大量有标签的样本数据.而实际生产过程中,对于样本的标记是十分困难的,因此利用大量无标签的样本来进行学习就显得很有必要.直推式支持向量机(transductive SVM,TSVM)就是由支持向量机发展而来的半监督算法,它利用了大量无标签数据,从而在一定程度上可以获得更好的分类超平面,以获得更好的分类效果.在本文中,作者提出了一种改进的基于直推式支持向量机的故障分类算法,从平衡数据样本类别的数量入手,对无标签的样本进行了初步的预测,并对该过程进行了优化.通过理论分析与实验验证的方法,可以发现该算法在TE的流程工业模拟试验中取得了比较好的分类效果,验证了该算法的有效性.