本發(fā)明涉及故障分類
技術(shù)領(lǐng)域：
，特別是涉及一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法。
背景技術(shù)：
：目前，對電纜、母線和斷路器的運行狀況進(jìn)行監(jiān)測，提取故障特征參數(shù)，利用故障特征數(shù)據(jù)可實現(xiàn)其典型故障的分類識別，有利于判別和診斷各類故障狀態(tài)，指導(dǎo)其運維管理。對于故障的分類識別，目前主要有決策樹分類、貝葉斯分類、神經(jīng)網(wǎng)絡(luò)分類和支持向量機(jī)分類，其中支持向量機(jī)(SupportVectorMachine，SVM)能夠在小樣本數(shù)據(jù)上獲得訓(xùn)練學(xué)習(xí)精度和測試識別能力之間的最優(yōu)折衷，具有良好的適應(yīng)性，但SVM在構(gòu)造最優(yōu)分類面時平等對待所有的有效樣本和噪聲樣本，其噪聲樣本將很容易影響SVM的分類結(jié)果。而模糊支持向量機(jī)(FuzzySupportVectorMachine，F(xiàn)SVM)雖然能夠消除了噪聲樣本的影響，但是其忽略了同類樣本的相互作用和分散性，效果不佳，因此提出改進(jìn)的FSVM，對于開關(guān)柜故障分類具有更好的效果。技術(shù)實現(xiàn)要素：本發(fā)明的目的是提供一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法，以實現(xiàn)提升開關(guān)柜故障分類的效果。為解決上述技術(shù)問題，本發(fā)明提供一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法，該方法包括：獲取開關(guān)柜的樣本數(shù)據(jù)，通過引入松弛因子對所述樣本數(shù)據(jù)建立優(yōu)化模型，計算所述優(yōu)化模型的超球面的最小半徑；以所述超球面的最小半徑為超球面邊界，利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度；將開關(guān)柜的樣本數(shù)據(jù)、故障分類標(biāo)志以及所述隸屬度構(gòu)成故障類型的樣本集，利用所述故障類型的樣本集獲得改進(jìn)FSVM的最優(yōu)分段函數(shù)；利用改進(jìn)FSVM的最優(yōu)分段函數(shù)建立改進(jìn)FSVM的分類器，將所述樣本數(shù)據(jù)依次通過所述改進(jìn)FSVM的分類器，獲得每個樣本數(shù)據(jù)的故障類型。優(yōu)選的，所述優(yōu)化模型如下：minR2+EΣi=1lζis.t.||Mi-A||2≤R2+ζiζi≥0,i=1,2,...,l;]]>其中，Mi為樣本數(shù)據(jù)，ζi為松弛因子，R為超球面的最小球半徑，A為球心，E為平衡超球大小和噪聲樣本個數(shù)的懲罰因子，l為樣本數(shù)據(jù)的個數(shù)。優(yōu)選的，計算所述優(yōu)化模型的超球面的最小半徑包括：通過構(gòu)造Lagrange函數(shù)將所述優(yōu)化模型轉(zhuǎn)化為便于求解的簡化對偶模型；所述簡化對偶模型如下：maxΣi=1lβi(Mi·Mi)-Σi=1lΣj=1lβiβj(Mi·Mj)s.t.Σi=1lβi=1,0≤βi≤E,i=1,2,...,l;]]>其中，Mj為樣本數(shù)據(jù)，j＝1,2,…,l；βi為Mi的系數(shù)，用于表示Mi是否為內(nèi)部樣本；βj為Mj的系數(shù)，用于表示Mj是否為內(nèi)部樣本；對所述簡化對偶模型進(jìn)行求解，獲得各個樣本數(shù)據(jù)Mi的系數(shù)βi；利用樣本數(shù)據(jù)Mi和系數(shù)βi計算超球面的最小半徑R；最小半徑R的計算公式如下：R=maxi∈{i|0<βi<E}||Mi-Σj=1lβjMj||.]]>優(yōu)選的，所述利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度，包括：利用分段半降正態(tài)云模型C(Er,Enr1,Her1)和分段半降正態(tài)云模型C(Er+R,Enr2,Her2)計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度μr；Er和Er+R為期望，Enr1和Enr1為熵，Her1和Her2為超熵；隸屬度μr的計算公式如下：μr(rcm,Enr′)=1,rcm≤Ere-(rcm-Er)22Enr′2,Er<rcm≤Er+Rμ‾Re-(rcm-Er-R)22Enr′2,rcm>Er+R;]]>其中，μr(rcm,E’nr)表示隸屬度μr，rcm為樣本數(shù)據(jù)與球心的距離，E’nr為樣本數(shù)據(jù)與球心的距離的標(biāo)準(zhǔn)差隨機(jī)向量；為分段半降正態(tài)云模型C(Er,Enr1,Her1)在[Er+R-2Her1/3,Er+R+2Her1/3]區(qū)間的隸屬度均值；利用隸屬度μr計算樣本數(shù)據(jù)Mi的隸屬度μi。優(yōu)選的，所述利用隸屬度μr計算樣本數(shù)據(jù)Mi的隸屬度μi，包括：利用隸屬度μr形成給定個數(shù)的云滴(rcm,μr)，按第i個樣本數(shù)據(jù)Mi與球心A的距離ri＝||Mi-A||，篩選出位于區(qū)間Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]的云滴個數(shù)K，計算樣本數(shù)據(jù)Mi的隸屬度μi；隸屬度μi的計算公式如下：μi=Σrcm∈Rmainμr(rcm,Enr′)/K.]]>優(yōu)選的，所述將開關(guān)柜的樣本數(shù)據(jù)、故障分類標(biāo)志以及所述隸屬度構(gòu)成故障類型的樣本集，利用所述故障類型的樣本集獲得改進(jìn)FSVM的最優(yōu)分段函數(shù)，包括：將開關(guān)柜的樣本數(shù)據(jù)Mi、故障分類標(biāo)志yi以及隸屬度μi構(gòu)成k種故障類型的樣本集；k大于等于2；將樣本集通過改進(jìn)FSVM的優(yōu)化模型，獲得改進(jìn)FSVM的最優(yōu)分類函數(shù)，所述改進(jìn)FSVM的優(yōu)化模型如下：maxΣi=1lαi-12Σi=1lΣj=1lαiαjTiTj(Mi·Mj)s.t.Σi=1lαiTi=0,0≤αi≤μiC,i=1,2,...,l;]]>其中，αi為樣本數(shù)據(jù)Mi的系數(shù)，αj為樣本數(shù)據(jù)Mj的系數(shù)，Tj為樣本數(shù)據(jù)Mi的故障分類標(biāo)志，Tj為樣本數(shù)據(jù)Mj的故障分類標(biāo)志，C為一個常數(shù)。優(yōu)選的，所述將樣本集通過改進(jìn)FSVM的優(yōu)化模型，獲得改進(jìn)FSVM的最優(yōu)分類函數(shù)，包括：利用樣本集對所述改進(jìn)FSVM的優(yōu)化模型求解得到αi系數(shù)并得到偏置系數(shù)b，進(jìn)而獲得改進(jìn)FSVM的最優(yōu)分類函數(shù)f(M)，f(M)的計算公式如下：f(M)=sgn[Σi∈{i|0<αi<μiC}αiTiK(Mi·Mj)+b].]]>本發(fā)明所提供的一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法，獲取開關(guān)柜的樣本數(shù)據(jù)，通過引入松弛因子對所述樣本數(shù)據(jù)建立優(yōu)化模型，計算所述優(yōu)化模型的超球面的最小半徑；以所述超球面的最小半徑為超球面邊界，利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度；將開關(guān)柜的樣本數(shù)據(jù)、故障分類標(biāo)志以及所述隸屬度構(gòu)成故障類型的樣本集，利用所述故障類型的樣本集獲得改進(jìn)FSVM的最優(yōu)分段函數(shù)；利用改進(jìn)FSVM的最優(yōu)分段函數(shù)建立改進(jìn)FSVM的分類器，將所述樣本數(shù)據(jù)依次通過所述改進(jìn)FSVM的分類器，獲得每個樣本數(shù)據(jù)的故障類型?？梢姡捎谑孪任粗獦颖緮?shù)據(jù)是否存在噪聲樣本，所以通過引入松弛因子建立優(yōu)化模型以計算超球面的最小半徑，且利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度，如此獲得的隸屬度既考慮超球內(nèi)外樣本隸屬度隨其與球心距離變化規(guī)律的區(qū)域差異，又充分計及樣本數(shù)據(jù)在邊界內(nèi)外的分布密度即分散性不同，由此盡量有效利用支持向量的樣本數(shù)據(jù)，同時排除噪聲樣本的不利干擾，提高FSVM的分類性能，進(jìn)一步判別和診斷故障狀態(tài)，提升開關(guān)柜故障分類的效果。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1為本發(fā)明所提供的一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法的流程圖；圖2為傳統(tǒng)的隸屬度函數(shù)圖；圖3為本發(fā)明改進(jìn)的隸屬度函數(shù)圖。具體實施方式本發(fā)明的核心是提供一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法，以實現(xiàn)提升開關(guān)柜故障分類的效果。為了使本
技術(shù)領(lǐng)域：
的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。請參考圖1，圖1為本發(fā)明所提供的一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法的流程圖，該方法包括：S11：獲取開關(guān)柜的樣本數(shù)據(jù)，通過引入松弛因子對所述樣本數(shù)據(jù)建立優(yōu)化模型，計算所述優(yōu)化模型的超球面的最小半徑；S12：以所述超球面的最小半徑為超球面邊界，利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度；S13：將開關(guān)柜的樣本數(shù)據(jù)、故障分類標(biāo)志以及所述隸屬度構(gòu)成故障類型的樣本集，利用所述故障類型的樣本集獲得改進(jìn)FSVM的最優(yōu)分段函數(shù)；S14：利用改進(jìn)FSVM的最優(yōu)分段函數(shù)建立改進(jìn)FSVM的分類器，將所述樣本數(shù)據(jù)依次通過所述改進(jìn)FSVM的分類器，獲得每個樣本數(shù)據(jù)的故障類型?？梢?，由于事先未知樣本數(shù)據(jù)是否存在噪聲樣本，所以通過引入松弛因子建立優(yōu)化模型以計算超球面的最小半徑，且利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度，如此獲得的隸屬度既考慮超球內(nèi)外樣本隸屬度隨其與球心距離變化規(guī)律的區(qū)域差異，又充分計及樣本數(shù)據(jù)在邊界內(nèi)外的分布密度即分散性不同，由此盡量有效利用支持向量的樣本數(shù)據(jù)，同時排除噪聲樣本的不利干擾，提高FSVM的分類性能，進(jìn)一步判別和診斷故障狀態(tài)，提升開關(guān)柜故障分類的效果?；谏鲜龇椒?，進(jìn)一步的，所述優(yōu)化模型如下：minR2+EΣi=1lζis.t.||Mi-A||2≤R2+ζiζi≥0,i=1,2,...,l;]]>其中，Mi為樣本數(shù)據(jù)，ζi為松弛因子，R為超球面的最小球半徑，A為球心，E為平衡超球大小和噪聲樣本個數(shù)的懲罰因子，l為樣本數(shù)據(jù)的個數(shù)。步驟S11中，計算所述優(yōu)化模型的超球面的最小半徑的過程優(yōu)選采用以下步驟實現(xiàn)：S21：通過構(gòu)造Lagrange函數(shù)將所述優(yōu)化模型轉(zhuǎn)化為便于求解的簡化對偶模型；所述簡化對偶模型如下：maxΣi=1lβi(Mi·Mi)-Σi=1lΣj=1lβiβj(Mi·Mj)s.t.Σi=1lβi=1,0≤βi≤E,i=1,2,...,l;]]>其中，Mj為樣本數(shù)據(jù)，j＝1,2,…,l；βi為Mi的系數(shù)，用于表示Mi是否為內(nèi)部樣本；βj為Mj的系數(shù)，用于表示Mj是否為內(nèi)部樣本；S22：對所述簡化對偶模型進(jìn)行求解，獲得各個樣本數(shù)據(jù)Mi的系數(shù)βi；其中，若βi＝E，則樣本數(shù)據(jù)為噪聲樣本，位于超球面外，若0<βi<E，則樣本數(shù)據(jù)為超球面包圍的內(nèi)部樣本；S23：利用樣本數(shù)據(jù)Mi和βi系數(shù)計算超球面的最小半徑R；最小半徑R的計算公式如下：R=maxi∈{i|0<βi<E}||Mi-Σj=1lβjMj||;]]>其中，球心A為所有樣本數(shù)據(jù)Mi和βi系數(shù)的線性加權(quán)之和，超球面的最小半徑R為球內(nèi)樣本Mi與球心A的距離的最大值；步驟S12中，利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度的過程優(yōu)選采用以下步驟實現(xiàn)：S31：利用分段半降正態(tài)云模型C(Er,Enr1,Her1)和分段半降正態(tài)云模型C(Er+R,Enr2,Her2)計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度μr；Er和Er+R為期望，Enr1和Enr1為熵，Her1和Her2為超熵；隸屬度μr的計算公式如下：μr(rcm,Enr′)=1,rcm≤Ere-(rcm-Er)22Enr′2,Er<rcm≤Er+Rμ‾Re-(rcm-Er-R)22Enr′2,rcm>Er+R;]]>其中，μr(rcm,E’nr)表示隸屬度μr，rcm為樣本數(shù)據(jù)與球心的距離，E’nr為樣本數(shù)據(jù)與球心的距離的標(biāo)準(zhǔn)差隨機(jī)向量；為分段半降正態(tài)云模型C(Er,Enr1,Her1)在[Er+R-2Her1/3,Er+R+2Her1/3]區(qū)間的隸屬度均值；R在前面已有詳細(xì)介紹，是最小半徑R。Er、Enr1、Her1分別是分段半降正態(tài)云模型C(Er,Enr1,Her1)的期望、熵、超熵；Er+R、Enr2、Her2分別是分段半降正態(tài)云模型C(Er+R,Enr2,Her2)的期望、熵、超熵。其中，利用分段半降正態(tài)云模型C(Er,Enr1,Her1)和分段半降正態(tài)云模型C(Er+R,Enr2,Her2)計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度μr的過程具體為：利用E’nr1＝NORM(Enr1,Her12)和E’nr2＝NORM(Enr2,Her22)生成正態(tài)隨機(jī)數(shù)，分別以E’nr12、E’nr22為方差，Er、Er+R為期望生成正態(tài)隨機(jī)數(shù)rcm1、rcm2，重復(fù)前兩步將隨機(jī)數(shù)進(jìn)行組合獲得樣本數(shù)據(jù)與球心的距離rcm以及距離rcm的標(biāo)準(zhǔn)差隨機(jī)向量E’nr，利用R、rcm和E’nr計算隸屬度μr。其中，得到的樣本數(shù)據(jù)的隸屬度是基于分段半降正態(tài)云模型的隸屬度，由兩個分段半降正態(tài)云模型C(Er,Enr1,Her1)和C(Er+R,Enr2,Her2)在R交界處組合而成。E’nr1和E’nr2可以直接在matlab軟件中調(diào)用NORM函數(shù)分別得到E’nr1＝NORM(Enr1,Her12)與E’nr2＝NORM(Enr2,Her22)兩個正態(tài)隨機(jī)數(shù)。NORM是指的一個數(shù)學(xué)函數(shù)，在線性代數(shù)，函數(shù)分析等數(shù)學(xué)學(xué)科中，norm是一種可以在向量空間里對向量賦予長度和大小的函數(shù)。S32：利用隸屬度μr計算樣本數(shù)據(jù)Mi的隸屬度μi。其中，步驟S32的過程具體為：利用隸屬度μr形成給定個數(shù)的云滴(rcm,μr)，按第i個樣本數(shù)據(jù)Mi與球心A的距離ri＝||Mi-A||，篩選出位于區(qū)間Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]的云滴個數(shù)K，計算樣本數(shù)據(jù)Mi的隸屬度μi；隸屬度μi的計算公式如下：μi=Σrcm∈Rmainμr(rcm,Enr′)/K;]]>Rmain指的是半降正態(tài)云模型中的一個區(qū)間；Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]；其中，從云滴(rcm,μr)中篩選出分段半降正態(tài)云模型中位于區(qū)間Rmain＝[ri-(Her1+Her2)/3,ri+(Her1+Her2)/3]的云滴個數(shù)K。具體的，步驟S13優(yōu)選采用以下步驟實現(xiàn)：S41：將開關(guān)柜的樣本數(shù)據(jù)Mi、故障分類標(biāo)志yi以及隸屬度μi構(gòu)成k種故障類型的樣本集；k大于等于2；S42：將樣本集通過改進(jìn)FSVM的優(yōu)化模型，獲得改進(jìn)FSVM的最優(yōu)分類函數(shù)，所述改進(jìn)FSVM的優(yōu)化模型如下：maxΣi=1lαi-12Σi=1lΣj=1lαiαjTiTj(Mi·Mj)s.t.Σi=1lαiTi=0,0≤αi≤μiC,i=1,2,...,l;]]>其中，αi為樣本數(shù)據(jù)Mi的系數(shù)，αj為樣本數(shù)據(jù)Mj的系數(shù)，Tj為樣本數(shù)據(jù)Mi的故障分類標(biāo)志，Tj為樣本數(shù)據(jù)Mj的故障分類標(biāo)志，C為一個常數(shù)。l前面已有介紹，為樣本數(shù)據(jù)的個數(shù)。αi，αj表示相對應(yīng)樣本的系數(shù)，每個樣本數(shù)據(jù)均有一個系數(shù)表示其是否為內(nèi)部樣本，可以由上述改進(jìn)FSVM的優(yōu)化模型得到。Ti，Tj表示分類標(biāo)志即故障分類標(biāo)志；Ti，Tj∈{-1,1}，當(dāng)分類標(biāo)志為1、-1對應(yīng)與樣本數(shù)據(jù)歸屬、不歸屬目標(biāo)類型。步驟S14中，將樣本集通過改進(jìn)FSVM的優(yōu)化模型，獲得改進(jìn)FSVM的最優(yōu)分類函數(shù)的過程具體為：利用樣本集對所述改進(jìn)FSVM的優(yōu)化模型求解得到αi系數(shù)并得到偏置系數(shù)b，進(jìn)而獲得改進(jìn)FSVM的最優(yōu)分類函數(shù)f(M)，f(M)的計算公式如下：f(M)=sgn[Σi∈{i|0<αi<μiC}αiTiK(Mi·Mj)+b].]]>其中，f(M)公式中的參數(shù)在前面都已有詳細(xì)介紹。b指的是樣本數(shù)據(jù)的一個偏置系數(shù)，可以通過改進(jìn)FSVM的優(yōu)化模型得到。本發(fā)明中，由于事先未知樣本數(shù)據(jù)是否存在噪聲樣本，所以通過引入松弛因子建立優(yōu)化模型以計算超球面的最小半徑，以超球半徑為邊界，利用分段半降正態(tài)云模型分別計算邊界內(nèi)外的樣本隸屬度。利用分段半降正態(tài)云模型計算的超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度作為改進(jìn)FSVM的隸屬度，既考慮超球內(nèi)外樣本隸屬度隨其與球心距離變化規(guī)律的區(qū)域差異，又充分計及樣本在邊界內(nèi)外的分布密度即分散性不同，由此盡量有效利用支持向量樣本信息，同時排除噪聲樣本的不利干擾，提高FSVM的分類性能，用于進(jìn)一步判別和診斷故障狀態(tài)，提升開關(guān)柜故障分類的效果?；诒痉椒?，具體實施過程中，利用訓(xùn)練樣本數(shù)據(jù)獲取超球面，將樣本數(shù)據(jù)劃分為超球內(nèi)和超球外兩個區(qū)域，按各自樣本分布的特點，可選擇不同參數(shù)的半降正態(tài)云模型計算相應(yīng)的隸屬度，將樣本的隸屬度與監(jiān)測數(shù)據(jù)以及分類標(biāo)志組成k種故障類型的樣本集，利用樣本集可以獲得改進(jìn)FSVM的最優(yōu)分類函數(shù)，訓(xùn)練樣本依次代入改進(jìn)FSVM分類器即確定樣本的故障類型。本發(fā)明提出的改進(jìn)的模糊支持向量機(jī)能夠有效的確定故障類型。本方法綜合樣本空間的區(qū)域差異性和分散性計算樣本隸屬度，即作為FSVM的樣本隸屬度，可有效利用支持向量樣本信息，同時排除噪聲樣本的不利干擾，提高FSVM的分類性能，實現(xiàn)故障的準(zhǔn)確分類。具體的，參考附圖，圖2為傳統(tǒng)的隸屬度函數(shù)圖，圖3為本發(fā)明改進(jìn)的隸屬度函數(shù)圖，即利用分段半降正態(tài)云模型計算的超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度的函數(shù)示意圖，圖3中的半降正態(tài)云就是指代分段半降正態(tài)云模型。綜上，本發(fā)明所提供的一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法，獲取開關(guān)柜的樣本數(shù)據(jù)，通過引入松弛因子對所述樣本數(shù)據(jù)建立優(yōu)化模型，計算所述優(yōu)化模型的超球面的最小半徑；以所述超球面的最小半徑為超球面邊界，利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度；將開關(guān)柜的樣本數(shù)據(jù)、故障分類標(biāo)志以及所述隸屬度構(gòu)成故障類型的樣本集，利用所述故障類型的樣本集獲得改進(jìn)FSVM的最優(yōu)分段函數(shù)；利用改進(jìn)FSVM的最優(yōu)分段函數(shù)建立改進(jìn)FSVM的分類器，將所述樣本數(shù)據(jù)依次通過所述改進(jìn)FSVM的分類器，獲得每個樣本數(shù)據(jù)的故障類型?？梢?，由于事先未知樣本數(shù)據(jù)是否存在噪聲樣本，所以通過引入松弛因子建立優(yōu)化模型以計算超球面的最小半徑，且利用分段半降正態(tài)云模型計算超球面邊界內(nèi)外的樣本數(shù)據(jù)的隸屬度，如此獲得的隸屬度既考慮超球內(nèi)外樣本隸屬度隨其與球心距離變化規(guī)律的區(qū)域差異，又充分計及樣本數(shù)據(jù)在邊界內(nèi)外的分布密度即分散性不同，由此盡量有效利用支持向量的樣本數(shù)據(jù)，同時排除噪聲樣本的不利干擾，提高FSVM的分類性能，進(jìn)一步判別和診斷故障狀態(tài)，提升開關(guān)柜故障分類的效果。以上對本發(fā)明所提供的一種基于改進(jìn)的模糊支持向量機(jī)的故障分類方法進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進(jìn)行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。當(dāng)前第1頁1 2 3