科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对传统支持向量机(Support Vector Machine, SVM)在工业过程故障诊断应用中存在参数优化准确率低、识别率低等问题，提出一种基于改进粒子群(particle swarm optimization, PSO)与人工鱼群(attificial fish swarms algorithm, AFSA)混合SVM智能算法进行参数优化，以提高SVM故障诊断的效果。由于标准PSO算法易陷入局部最优，基本AFSA算法后期收敛速度慢，这都会导致优化模型收敛速度以及收敛精度的下降，影响最终结果的准确性。首先利用改进后的惯性权重以及学习因子对PSO进行优化，并将改进后的PSO算法与AFSA算法相结合，综合利用PSO算法的局部收敛性以及AFSA算法的全局收敛性，提高混合算法的收敛速度以及收敛精度；其次将SVM惩罚因子和核参数作为共同优化对象，获得最优参数；最后，通过仿真模拟实验验证，结果表明这种混合算法对于SVM中的参数优化收敛速度更快、精度更强，从而使得过程故障诊断的效果更佳。
- 单位
