基于主动学习和加权支持向量机的工业故障识别

摘要：

针对流程工业过程中有标签故障样本少,样本标注代价昂贵,样本集存在类不平衡以及样本孤点问题,研究基于最优次优标号(BvSB)和加权支持向量机(WSVM)的工业故障分类方法.通过综合考虑样本的信息度和代表性以及样本中可能存在的孤立点,提出改进的主动学习算法,用于挖掘那些对当前分类器模型最有价值的样本进行标注.在支持向量机训练学习中,对不同样本采用不同的权重系数,不同类别赋予不同的惩罚因子,减少了样本分布不平衡时对主动学习和分类精度的影响,充分考虑样本点在特征空间的分布情况,提出新的惩罚系数选取方法.以TE过程为例,实验结果证明,提出的方法能够在获得较高故障分类准确率的情况下减少标注负担.

关键词：主动学习、加权支持向量机(WSVM)、惩罚系数、故障分类

所属期刊栏目：51

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目61174114,U1509203;教育部高校博士点专项科研基金资助项目20120101130016;浙江省公益性技术应用研究计划资助项目2014C31019

在线出版日期：2017-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：697-705