基于支持向量机(SVM)的齿轮箱故障诊断,附有matlab程序
f x sgn[(w) (x) b] sgn( ai*yiK(xi,x) b*) (13)
*T
*
i 1
n
其中xi为支持向量,x为未知向量,(13)式就是SVM,在分类函数形式上类似于一个神经网络,其输出是若干中间层节点的线性组合,而每一个中间层节点对应于输入样本与一个支持向量的内积,因此也被叫做支持向量网络,如下图:
s
输出y sgn iyiK xi x b
i 1
S个支持向量的非线性变换
输入向量
图:支持向量机网络图
由于最终的判别函数中实际只包含未知向量与支持向量的内积的线性组合,因此识别时的计算复杂度取决于支持向量的个数。
目前常用的核函数形式主要有以下三类,它们都与已有的算法有对应关系。
T
(1) 多项式形式的核函数,即K x,xi xxi 1,对应SVM是一个q阶多项式分类器。
q
(2) 径向基形式的核函数,即K x,xi exp{ 类器。
x xi
2
2
},对应SVM是一种径向基函数分
(3) S形核函数,如 K x,xi tanh(v(xTxi) c), 则SVM实现的就是一个两层的感知器
神经网络,只是在这里不但网络的权值、而且网络的隐层节点数目也是由算法自动确定的。
3、支持向量机的拟合算法
SVM方法也可以很好地应用于函数拟合问题中,其思路与在模式识别中十分相似。首先
d
考虑用线性回归函数f(x) w x b拟合数据{xi,yi},i 1,....,n,xi R,yi R的问题,
并假设所有训练数据都可以在精度ε下无误差地用线性函数拟合,即