科研之友
微信
新浪微博
Facebook
分享链接
摘要
提出了一种基于拉普拉斯分值特征选择、粒子群优化的支持向量机(PSO-SVM)的氢燃料电池故障检测方法。该方法采用拉普拉斯分值方法选择敏感故障特征,将其组成故障特征矩阵并输入到基于粒子群优化支持向量机的多故障分类器进行识别,根据分类结果识别氢燃料电池的工作状态和故障类型。同时将该方法应用于氢燃料电池实验数据分析。结果表明,相比随机森林和多层感知机,基于粒子群优化的支持向量机能够更准确地识别氢燃料电池故障。
- 单位
提出了一种基于拉普拉斯分值特征选择、粒子群优化的支持向量机(PSO-SVM)的氢燃料电池故障检测方法。该方法采用拉普拉斯分值方法选择敏感故障特征,将其组成故障特征矩阵并输入到基于粒子群优化支持向量机的多故障分类器进行识别,根据分类结果识别氢燃料电池的工作状态和故障类型。同时将该方法应用于氢燃料电池实验数据分析。结果表明,相比随机森林和多层感知机,基于粒子群优化的支持向量机能够更准确地识别氢燃料电池故障。
