10.16526/j.cnki.11-4762/tp.2022.09.036
基于CSO-SVM的轴承健康状态评估研究
支持向量机是基于统计学理论的机器学习算法,在解决高维、局部极值和结构选择问题中具有优势,广泛应用于数据发掘中;但是其核宽度和惩罚因子的选择直接关系到支持向量机分类结果;针对上述问题,可采取优化算法对该参数进行优化,达到提高支持向量机分类精度的目的;鸡群优化算法是近年新提出来的一种全局优化算法,具备结构清晰,全局搜索能力优等优点,在优化问题中得到广泛应用;基于此,提出一种基于鸡群优化的支持向量机模型(CSO-SVM)的健康状态评估方法,并应用在轴承健康状态评估领域中;结果表明,基于CSO-SVM的轴承健康状态评估精度达到97%,明显优于基于传统机器学习模型的健康状态模型的评估精度,具有更好的健康状态识别效果.
支持向量机、机器学习、鸡群优化算法、健康状态评估、轴承
30
TP391(计算技术、计算机技术)
2022-10-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
242-248,254