科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有SVM分类算法在高维小样本故障特征分类、适应度函数选择及核心参数优化方面存在的不足,提出一种基于SOA-SVM的机械故障分类算法。利用小波阈值函数对原始故障信号做降噪预处理,基于SOA算法模拟人群的几种随机行为,选择故障数据点最优的移动方向和移动步长,最后寻找到距离SVM分类器超平面几何距离最佳的位置,提升经典SVM分类器的故障数据分类性能。仿真结果表明:提出的故障分类算法具有更强的参数优化性能,在对多个高维小样本数据集的分类中可以获得更高的分类精度。
- 单位
针对现有SVM分类算法在高维小样本故障特征分类、适应度函数选择及核心参数优化方面存在的不足,提出一种基于SOA-SVM的机械故障分类算法。利用小波阈值函数对原始故障信号做降噪预处理,基于SOA算法模拟人群的几种随机行为,选择故障数据点最优的移动方向和移动步长,最后寻找到距离SVM分类器超平面几何距离最佳的位置,提升经典SVM分类器的故障数据分类性能。仿真结果表明:提出的故障分类算法具有更强的参数优化性能,在对多个高维小样本数据集的分类中可以获得更高的分类精度。
