基于双变异粒子群优化算法优化的支持向量机及其在民航发动机损伤类型识别中的应用
为提高民航发动机损伤类型识别的自动化水平和可靠度,增强民航发动机的维修保障能力,本文利用颜色矩和灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)来构造基于发动机无损检测图像的特征数据库,同时将支持向量机(Support Vector Machine,SVM)作为智能识别算法.为保障SVM可靠稳定的识别性能,提出利用双变异的粒子群优化(Dual Mutation Particles Swarm Optimization,DMPSO)算法对核参数和惩罚因子进行优化,双变异策略提升了PSO的全局寻优能力,一些复杂的测试函数验证了DMPSO的全局寻优能力.最后根据某型发动机的4种损伤类型图像,按照不同的特征提取方法构造特征数据库,分别利用本文所提的DMPSO优化的SVM、BP(back propagation)网络、ELM(Extreme Learning Machines)网络以及k-NN(k-nearest neighborhood)算法进行损伤类型识别,识别结果证明了文中所提的特征提取方法更适合发动机损伤识别,有利于提高损伤识别精度.同时比较了4种识别算法的性能,基于DMPSO优化的SVM具有更优、更稳定的识别输出.对比实验证明了所提方法有利于提升民航发动机损伤类型的识别效率.
颜色矩、灰度共生矩阵、粒子群优化算法、支持向量机、损伤类型识别
47
V263.6;TP277(航空制造工艺)
四川省科技计划项目;中国民用航空局发展基金教育人才类项目;中国民航飞行学院面上项目;中国民航飞行学院青年基金项目
2020-12-03（万方平台首次上网日期，不代表论文的发表时间）
共7页
132-138
