数据驱动的复杂系统故障预报与异常定量衡量

摘要

支持向量机概率密度估计是一种典型的数据驱动概率密度估计方法.本文通过改进支持向量机概率密度估计模型约束条件的形式,提出了一种单松弛因子多核支持向量概率密度估计模型.通过引入多个核函数,可获取更优性能的合成核矩阵.该模型还缩小了目标函数规模,减少了松弛因子的寻优求解数目,提高了运算效率.复杂系统的故障预报实验表明,基于预报结果计算的系统异常指数可定量衡量系统异常程度,可以有效提高预报的准确度并增加预报的提前量.