一种具有特征有效度的模糊支持向量机

基于VMD模糊熵和SVM的高压断路器故障诊断张燕珂;王萱;万书亭【摘要】为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)模糊熵和支持向量机(Support Vector Machine,SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别.首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM 分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别.结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition,EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障.【期刊名称】《电力科学与工程》【年(卷),期】2019(035)004【总页数】7页(P25-31)【关键词】断路器;VMD;模糊熵;特征提取;故障诊断【作者】张燕珂;王萱;万书亭【作者单位】浙江工商职业技术学院智能电子学院,浙江宁波315012;华北电力大学能源动力与机械工程学院,河北保定071003;华北电力大学能源动力与机械工程学院,河北保定071003【正文语种】中文【中图分类】TM5070 引言高压断路器作为电力系统中重要的保护与控制电器，其性能的可靠性对整个电网运行的安全性具有重大意义。

相关的调查表明，高压断路器的重大故障中有将近一半的故障是由于操作机构发生故障引起的，所以对高压断路器操作机构的故障机理及其诊断方法进行研究对于提高断路器运行的可靠性具有重要意义[1]。

高压断路器在分合闸过程中所产生的振动包含了操作机构的状态信息，针对其振动信号展开分析可发现断路器操作机构的故障信息，现已有大量文献提出利用振动信号来对断路器进行故障诊断[2-4]。

支持向量机决策函数概述支持向量机（Support Vector Machine，SVM）是一种常用的分类算法，它基于统计学习理论，通过选择能够将不同类别的样本分开的决策函数，从而实现分类的目标。

支持向量机常用的决策函数包括线性决策函数、非线性决策函数和核函数。

线性决策函数线性决策函数是支持向量机最简单的形式，可以用于二分类和多分类问题。

线性决策函数可表示为：f(x)=w⋅x+b其中，f(x)是决策函数，x是输入向量，w是权重向量，b是偏置值。

如果f(x)大于 0，则样本被分类为第一类别；如果f(x)小于 0，则样本被分类为第二类别。

当f(x)等于 0 时，样本位于分类边界上，也被称为支持向量。

非线性决策函数当样本不能被一个超平面完全分开时，线性决策函数就不再适用。

此时，可以通过引入非线性函数来构建非线性决策函数。

常用的非线性决策函数包括：1.多项式决策函数：将输入向量x映射到高维空间，使得样本在高维空间中可以被超平面完全分开。

2.径向基函数(Radial Basis Function, RBF) 决策函数：将输入向量x映射到无穷维空间，通过计算输入向量与支持向量之间的相似度，来实现分类。

3.Sigmoid 决策函数：通过将输入向量x应用于 sigmoid 函数，将输入值映射到 0-1 之间，从而实现分类。

核函数核函数是非线性决策函数的一种常用选择。

通过引入核函数，可以在不显式计算高维特征空间中的内积的情况下，使非线性决策函数的计算更加高效。

常用的核函数有以下几种：1.线性核函数：直接计算输入向量与支持向量之间的内积。

2.多项式核函数：将输入向量与支持向量之间的内积的幂次进行计算。

3.高斯核函数：通过计算输入向量与支持向量之间的欧式距离的指数函数，将样本映射到无穷维空间。

当我们选择合适的核函数和参数时，支持向量机可以拟合非常复杂的决策边界，从而实现高效的分类。

支持向量机的训练过程支持向量机的训练过程主要包括以下几个步骤：1.数据预处理：对数据进行标准化或归一化处理，消除数据之间的差异。

模糊支持向量机在人脸识别中的应用
邓丽萍
【期刊名称】《信息安全与技术》
【年(卷),期】2014(5)10
【摘要】本文首先介绍了人脸图像的代数特征抽取方法ICA,再对模糊支持向量机(Fuzzy Support VectorMachine,FSVM)作了重点分析和研究.将抽取的人脸特征应用到基于FSVM和基于模糊系统的算法上,采用基于模糊分类系统和二叉决策树相结合的方法进行人脸识别,可以达到理想的识别效果.
【总页数】3页(P89-91)
【作者】邓丽萍
【作者单位】福建农业职业技术学院福建福州350119
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.模糊支持向量机在印刷机故障诊断中的应用研究 [J], 邓丽;王爱萍;王海宽;费敏锐
2.模糊支持向量机在变压器故障诊断中的应用 [J], 史丽萍;余鹏玺;罗朋;徐天然;刘鹏;李佳佳
3.模糊支持向量机在人脸识别中的应用 [J], 戴花;王建平
4.模糊支持向量机和独立成分分析在人脸识别中的应用 [J], 宋晓宁;吴小俊
5.基于马氏距离的模糊支持向量机及其在用户行为识别中的应用研究 [J], 焦裕朋
因版权原因，仅展示原文概要，查看原文内容请购买。

解释支持向量机模型中的特征权重支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，广泛应用于分类和回归问题。

在SVM模型中，特征权重是指每个特征对于模型的重要性和贡献程度。

特征权重的解释对于理解SVM模型的工作原理和结果解释具有重要意义。

在支持向量机模型中，特征权重可以通过不同的方法来计算和解释。

一种常见的方法是使用线性SVM模型，通过计算每个特征对应的系数来获取其权重。

系数越大，则说明该特征在分类或回归问题中具有越大的贡献。

另一种方法是使用非线性SVM模型或核函数来获取特征权重。

非线性SVM通过将数据映射到高维空间中进行处理，从而能够处理非线性问题。

在这种情况下，可以使用核函数来计算每个样本在高维空间中与支持向量之间的相似度，并将其作为权重进行解释。

无论是线性还是非线性SVM模型，特征权重都可以用于对数据进行降维或选择最具有代表性的特征。

通过选择具有较大权重值的特征，可以减少数据维度，并且保留最为关键的特征信息。

这对于处理高维数据和降低计算复杂度非常有帮助。

特征权重的解释还可以用于解释模型的预测结果。

通过观察每个特征的权重，可以了解到模型对于不同特征的重视程度。

这有助于我们理解模型是如何进行决策和预测的，从而进一步优化模型或进行后续分析。

在实际应用中，特征权重还可以用于特征选择和特征工程。

通过分析不同特征的权重，我们可以选择最具有代表性和区分性能力的特征，并进一步优化模型性能。

这在处理高维数据或大规模数据时尤为重要。

此外，对于某些问题而言，某些特定的特征可能具有更大的权重，并且对结果具有更大影响力。

通过观察这些关键特征，我们可以深入了解问题背后隐藏的规律和机制，并且为进一步研究提供指导。

总结来说，在支持向量机模型中，通过计算每个特征对应的系数或使用核函数来获取每个样本与支持向量之间相似度作为权重，我们可以得到每个特征在SVM中所占据的相对重要性。

特征权重的解释对于理解模型的工作原理、优化模型性能、进行特征选择和特征工程以及进一步研究问题都具有重要意义。