基于支持向量机的城市给水管网故障诊断研究

摘要

支持向量机（SVM）是九十年代中期在统计学习理论（SLT）基础上发展而来的机器学习技术。统计学习理论着重研究小样本条件下的统计规律和学习方法，它为机器学习问题建立了一个很好的理论框架。支持向量机在小样本情况下，运用结构风险最小化原则，具有非常优秀的学习性能。
　　支持向量机应用于故障诊断的优势在于它适合于小样本决策，其本质就是一个模式分类问题，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。从推广性的角度来看，更适用于故障诊断这种实际的工程问题。
　　本文首先阐述了支持向量机在故障诊断领域中的应用及研究现状。然后介绍了统计学习理论相关知识、支持向量机原理以及两种主要的支持向量机多类分类算法，即“一对余类”和“成对分类

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文研究内容

1.4 论文组织结构

2 支持向量机的理论基础

2.1 统计学习理论

2.2 支持向量机基本理论

2.3 相关支持向量机参数优化算法概述

2.4 本章小结

3 支持向量机参数优化实验

3.1支持向量机模型选择的意义及方法

3.2 GA优化支持向量机参数

3.3 PSO优化支持向量机

3.4 改进的SVM模型GAPSO-SVM的提出

3.5 实验总结

4 改进的SVM模型及其在故障诊断中的应用

4.1 GAPSO-SVM在城市给水管网故障诊断中的应用

4.2 课题来源介绍

4.3 GAPSO-SVM在城市给水管网故障诊断的应用实例

4.4 本章小结

5 总结与展望

5.1 论文总结

5.2 研究展望

致谢

参考文献

附录

A.作者在攻读学位期间发表的论文目录