目前基于SVM的分类方法主要有1对余算法、1对1算法及决策导向无环图（DAG）等。以上三种方法是最常见的分类方法，但存在一定的缺点。当分类系统中的类别较多时，前两种方法将进行大量的二次规划计算，使算法的复杂度急剧增高，系统性能明显下降；DAGSVM方法的缺点是没有考虑样本不平衡数据对分类速度的影响，而且也没有考虑分类错误传递对后续产生的影响。本文采用基于二叉树的多分类SVM算法，该方法将原有的多类问题分解成了一系列两分类问题，其中两个子类间的分类算法采用二值SVM。其具体构造可表述如下：设 类样本类号的一个排列为 ，对于类训练样本，需要训练 个支持向量机，分别对应二叉树的各级分类器。对于第 级SVM，以第 类样本作为正类，以 类样本作为负类训练模型。但二叉树多分类SVM算法存在的不足是如果训练样本排列方式不对则会引起SVM严重的误差累积效应，训练样本不同排列方式会得到不同的分类模型，进而导致不同的推广性能。因此，使用二叉树多分类支持向量机进行诊断时必须事先确定二叉树的各级正类类号。从二叉树的分类决策过程可知，越是上层节点的SVM子分类器，其分类性能对整个分类模型的推广性影响越大。因此，为了减少误差累积现象以得到推广能力最好的二叉树分类模型，在生成二叉树的过程中，应该让最易分割的类最早分割出来。基于此思想，本文根据文献[16]所定义的先验类识别率指标计算各个类的综合识别率，并以此为基础对各类样本的可识别率进行排序，指导二叉树SVM多分类器的构造，并训练基于类识别率排序的二叉树SVM分类器。其计算流程如下：
Step1:设为工况数，若 为特征向量维数， 表示第类工况，则第 个特征参数在工况下的置信区间可表示为 ，计算每个特征参数在各个工况(正常或具体的故障状态)下的[5%～95%]置信区间 ；
Step2:计算第个特征对工况的类识别率。设 表示各工况下的全体历史观测样本，则第个特征对工况的类识别率 可表示为：
Step3:计算每个特征参数对各个工况的类识别率，其结果为一个 的矩阵 ，元素 表示第个特征参数对工况的类识别率；
Step4:对矩阵R的各行由大到小进行排序，找出最易被分割出来的类作为正类，以当前全部数据集中除类样本外的其余各类样本作为负类训练当前级的SVM；
Step5:在去掉类样本的剩余数据集中，重复上述各步，根据计算结果选择二叉树下一级SVM的正类样本类号并训练模型。
3信号时频行为对不变矩特征的影响分析
在基于振动谱图的特征提取中，由于振动谱图反映的是内燃机振动频率随时间变化的分布情况，因此对于内燃机振动谱图的特征提取来说，所选取的特征参数应能蕴涵内燃机振动信号本身的振动冲击属性，这种属性应随内燃机不同工况变化而变化。由Hu的唯一性定理可知，本文采用的Hu不变矩集能唯一描述一幅时频分布图中所包含的信息，下面将研究所提取矩的这种属性，即分析信号时频行为对不变矩特征的影响，这里对本文方法进行如下仿真计算。为了真实模拟内燃机振动信号的冲击特点，这里选取高斯冲击信号来进行仿真，同时为了模拟出不同工况状态的内燃机振动信号，这里分别用三种不同包含2个高斯冲击分量的仿真信号进行模拟，这三种仿真信号主要是模拟在时频图像中同一时刻的不同冲击量信号以及不同时刻的不同冲击量信号的时频行为对不变矩特征的影响，仿真信号如下：
图1中(a),(b),(c)为仿真信号的时域波形及其真实的时频分布情况，从图1(a),(b),(c)可以看出，信号的时间中心、频率中心均不同，且仿真信号的频率特征也变化了。图1中(d),(e),(f)为仿真信号的Wigner-Ville时频分布图，Wigner-Ville时频分布虽然表示了信号的时频特征，但除了仿真信号真实的频率成分外，还有虚假频率成分，交叉干扰现象严重。图1中(g),(h),(i)为仿真信号的EMD-Wigner-Ville时频分布图，从中可以看出：该方法既能有效地抑制时频分布的交叉项，又保证了Wigner-Ville分布的时频聚集性，能清晰地分析信号的时频特征，有效的克服了Wigner-Ville时频分布的缺陷，是一种有效的时频分析方法。表1是三种仿真信号时频行为变化时的不变矩特征。
图1三种仿真信号的时频分析
(a),(b),(c)为三种仿真信号的时域波形及其真实的时频分布图；
(d),(e),(f)为三种仿真信号的Wigner-Ville时频分布图；
(g),(h),(i)为三种仿真信号的EMD-Wigner-Ville时频分布图
Fig.1Time-frequencyanalysisofthreesimulatedsignals
(A),(b),(c)Thetimedomainwaveformanditsrealtime-frequencydistributionofthreesimulatedsignals;
(D),(e),(f)Wigner-Villetime-frequencydistributionofthreesimulatedsignals;
(G),(h),(i)EMD-Wigner-Villetime-frequencydistributionofthreesimulatedsignals
表1三种仿真信号时频行为变化时的不变矩特征
Table1Themomentinvariantfeaturesofthreesimulatedsignals
|
信号
|
不变矩特征
|
|
|
|
|
|
|
|
|
|
|
3.1630
|
9.8827
|
14.0700
|
14.8765
|
29.1998
|
19.6885
|
30.8286
|
|
|
3.1681
|
10.0457
|
15.6207
|
15.3339
|
30.5511
|
21.3569
|
30.098
|
|
|
3.1669
|
11.0874
|
14.7622
|
14.0361
|
28.9399
|
20.7667
|
28.4575
|
由表1可以看出，由于EMD-Wigner-Ville时频分布形状发生了变化，从信号时频分布图中提取的不变矩特征也不同。 2/4 首页 上一页 1 2 3 4 下一页 尾页 |
