[发明专利]基于支撑向量机的故障分类模型的训练方法及装置

说明书

本申请公开了一种基于支撑向量机的故障分类模型的训练方法及装置。该方法采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；基于预设多重宇宙优化算法和预设的第二数量的训练参数，对训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，训练参数包括一组惩罚系数和核宽度；根据测试样本数据，对第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，适应度是根据测试样本数据的测试值与相应真实值确定的；将第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。该方法通过结合多重宇宙优化算法与支撑向量机提高了故障诊断效率。

技术领域

本申请涉及通信技术领域，尤其涉及一种基于支撑向量机的故障分类模型的训练方法及装置。

背景技术

自动驾驶仪是导弹控制系统的核心。它可以稳定地控制导弹在预定轨道上的飞行姿态，其飞行状态直接决定着作战任务的执行效果。因此，在自动驾驶仪故障发生后，如何快速、准确地定位故障源成为关键技术。在目前故障诊断处理上，提出了一种基于支撑向量机(SVM)的自动驾驶仪故障诊断方法，SVM能以较少的样本有效地解决分类问题，但SVM中的惩罚系数和核函数参数(或称“核宽度”)对分类性能有很大的影响。目前，群体智能优化算法，如遗传算法、蚁群优化算法(ACO)、跳蛙算法(SFLA)、布谷鸟搜索算法(CS)和引力搜索算法(GSA)已应用于SVM的参数优化。

例如，构建基于遗传算法GA优化的SVM故障诊断方法，先进行参数的初始化，针对每一个体，将其进行二进制编码，也就是将问题空间的参数转变成遗传算法空间的0,1，与此同时计算合成核，并应用在对故障样本数据进行交叉验证的SVM训练集及测试集上，获得参数适应度来度量在优化过程中达到或接近于最优解的优良程度；其次依次进行选择操作、交叉操作及变异操作，最终判断经优化算法迭代后的参数适应度是否达到最优解，如不满足继续对数据进行训练测试。

然而，发明人发现上述方案对初始故障样本数据的处理较为复杂，效率较低，即该优化算法不适合较大数据。

又例如，构建基于搜索算法GSA优化算法的SVM故障诊断。首先初始化各个参数和种群位置，更新适应度，得到粒子的惯性质量、以及每个粒子在每个方向的引力、加速度，更新每个粒子的位置，在迭代过程中将每个粒子的位置替换到SVM的诊断模型中，得到当前粒子适应度，进而根据适应度得出全局最优值，对于经迭代后适应度没有达到最优的粒子，继续进入下一轮迭代。

然而，发明人发现上述方案对需要更新计算粒子的参数较多，导致迭代过程较慢，效率较低。

发明内容

本申请实施例提供一种基于支撑向量机的故障分类模型的训练方法及装置，解决了现有技术存在的上述问题，提高了故障诊断效率。

第一方面，提供了一种基于支撑向量机的故障分类模型的训练方法，该方法可以包括：

采用预设分类原则，对获取的故障样本数据进行分类，得到测试样本数据和训练样本数据；

基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，所述训练参数包括一组惩罚系数C和核宽度g；

根据所述测试样本数据，对所述第一数量个SVM故障分类模型进行测试，获取第一数量个适应度，所述适应度是根据所述测试样本数据的测试值与相应真实值确定的；

将所述第一数量个适应度中最小适应度对应的SVM故障分类模型确定为最优SVM故障分类模型。

在一个可选的实现中，基于预设多重宇宙优化算法和预设的第二数量的训练参数，对所述训练样本数据进行第一数量次迭代训练，得到第一数量的SVM故障分类模型，包括：

设置第一数量的迭代次数；