基于BP神经网络和SVM的信号分类方法的研究

摘要

生产过程中的大量数据信号中包含了许多重要信息，这些信息关系到生产设备的安全性能，影响到产品的质量，也是检测故障的关键信息。生产过程中一旦出现故障，不仅仅会造成重大的经济损失，还会危及到人身和设备的安全。对信号的分类处理恰好可以很好的解决设备生产的安全问题，对数据信号进行分类处理，分析信号中的有用信息，检测设备是否存在故障，保证生产的安全性，是一项极其重要的工作。
　　本文首先分析和研究了基于BP神经网络的信号分类方法，设计BP网络模型，结合PCA降维和小波包去噪处理等方法，研究了基于数据预处理的BP分类的改进方法，同时将遗传算法和粒子群优化算法应用于BP网络分类方法中，进一步优化BP网络模型，改善BP分类方法，并通过仿真实验验证了改进后的BP网络分类方法的有效性。针对BP网络分类方法的存在分类精度低等缺点，进一步分析研究了基于支持向量机(SVM)的分类方法，通过合理选取核函数和相关参数，给出了SVM分类算法的步骤，并将数据预处理方法应用到数据处理中，重点研究基于数据预处理的SVM分类方法，并将遗传算法和粒子群算法分别与SVM分类方法相结合，进一步优化SVM的组合参数，提高SVM分类方法的准确性。通过实验仿真验证了改进型SVM分类方法的可行性和有效性。最后分别从运行时间和分类精度两个标准对改进的BP网络的分类方法和改进的SVM的分类方法进行了比较和评价，仿真实验结果证明SVM分类方法更优于BP网络分类方法。

目录

声明

摘要

第1章 绪论

1．1 课题研究的背景及意义

1．2 信号分类方法的研究现状

1．2．1 信号分类方法的研究现状

1．2．2 神经网络在分类问题中的应用与研究现状

1．2．3 支持向量机在分类处理中的应用与研究现状

1．3 课题研究的主要内容和论文结构

第2章 BP神经网络和SVM的基本分类理论

2．1 分类理论概述

2．1．1 分类的定义

2．1．2 几种常见的分类方法

2．2 BP神经网络的分类理论

2．2．1 人工神经网络的概述

2．2．2 BP神经网络分类

2．3 支持向量机(SVM)的分类理论

2．3．1 统计学习理论的概述

2．3．2 支持向量机理论

2．3．3 SVM分类理论

2．4 本章小结

第3章 基于BP神经网络的信号分类方法的研究

3．1 基于BP神经网络分类方法的研究

3．1．1 BP神经网络分类算法和设计

3．1．2 基于数据预处理的BP分类方法的研究

3．1．3 实验与结果分析

3．2 基于遗传算法(GA)的BP网络分类方法的研究

3．2．1 遗传算法(GA)

3．2．2 GA优化BP网络权位和结构的算法设计

3．2．3 实验与结果分析

3．3 基于粒子群算法(PSO)的BP网络分类方法的研究

3．3．1 粒子群优化算法(PSO)

3．3．2 PSO优化BP网络权值和结构的算法设计

3．4 实验分析

3．5 本章小结

第4章 基于SVM的信号分类方法的研究

4．1 基于SVM的分类方法的研究

4．1．1 SVM分类算法和设计

4．1．2 基于数据预处理的SVM分类方法

4．1．3 实验结果与分析

4．2 基于遗传(GA)的SVM分类方法的研究

4．2．1 GA优化SVM参数的算法及设计

4．2．2 实验与结果分析

4．3 基于粒子群(PSO)的SVM分类方法的研究

4．3．1 PSO优化SVM参数的算法及设计

4．3．2 实验与结果分析

4．4 实验分析

4．5 基于BP神经网络和SVM的信号分类方法的比较

4．6 本章小结

第5章 总结与展望

5．1 工作总结

5．2 研究展望

参考文献

在读期间发表的学术论文及研究成果

致谢