典型文献
基于MSK-SVM的滚动轴承故障诊断方法
文献摘要：
针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine,MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断.该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了 Morlet、Marr和DOG小波核函数.利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核.基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型.为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能.结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力.
文献关键词：
多尺度核;支持向量机;故障诊断;滚动轴承
中图分类号：
作者姓名：
焦静;岳建海;裴迪
作者机构：
北京交通大学机械与电子控制工程学院 北京 100044
文献出处：
引用格式：
[1]焦静;岳建海;裴迪-.基于MSK-SVM的滚动轴承故障诊断方法)[J].电子测量与仪器学报,2022(01):109-117
A类：
B类：
MSK,故障诊断方法,线性支持向量机,支持向量机分类,分类准确率,多尺度核,核支持向量机,multi,scale,kernel,support,vector,machine,分类模型,模型应用,多项式,高斯核,Sigmoid,Morlet,Marr,DOG,小波核函数,全局性,局部性,数尺,尺度参数,不同尺度,梯度下降法,权值,滚动轴承故障诊断模型,故障数据,全寿命周期,周期数据,模型分类性能,泛化能力
AB值：
0.328427
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
