[发明专利]适用于风电变流器故障诊断的改进型Adaboost-SVM模型生成方法

摘要

本发明涉及一种适用于风电变流器故障诊断的改进型Adaboost‑SVM模型生成方法，给出每个训练样本的权重，并根据前一轮的分类错误率更新每个样本的权值。在算法训练过程中，增加误分类样本的权重，减小正确分类样本的权重。通过多次迭代，结合多个加权弱分类器最终得到强分类器。设计的改进Adaboost‑SVM模型，能在一定程度上解决不同样本带来性能退化的问题，并且提升了分类器的泛化能力，在变流器的故障诊断中的应用有很好的效果。

主权项

1.一种适用于风电变流器故障诊断的改进型Adaboost‑SVM模型生成方法，其特征在于，具体包括如下步骤：1)输入风电变流器故障训练样本集D＝{(x₁,y₁),(x₂,y₂)…(x_N,y_N)}；x_i表示第i个样本，y_i表示第i个样本类别，i＝1,2,…,N；基分类器RBF‑SVM；迭代总次数T；2)对Adaboost‑SVM模型进行改进训练：步骤1)初始化每个样本的权值，每个样本权值相同：D₁(i)＝1/N,i＝1,2…N   (8)步骤2)进行迭代，迭代次数t＝1,2,…，T：2.1)根据训练样本集D中的样本的权值分布，从而得到训练每个基分类器的训练样本集d_t；2.2)利用鸟群算法在每轮的训练样本集中寻找基分类器RBF‑SVM的最佳的参数对(C,σ)，从而得到一个基分类器h_t；2.3)根据公式(9)计算基分类器在训练样本集上的分类误差；式子中：D_t为第t轮的样本权值；2.4)如果0<ε_t<0.5，根据公式(10)计算基分类器的权重，根据公式(11)来更新样本的权值；公式(2)：公式(7)：其中k是样本分类错误的次数；A为类别的集合；2.5)如果0.5≤ε_t<1，跳转到步骤1)重新初始化每个样本的权值；3)迭代结束后输出最终的强分类器为：