基于支持向量機回歸算法的飛機主油泵故障數預測

對于飛機部件的故障數預測、可靠性評估、備件需求預測等通常采用樣本數目趨于無窮大時的漸近理論,即傳統統計學及神經網絡理論等進行分析,但在航空維修保障領域,維修數據通常為小樣本數據,這些方法存在著固有的算法缺陷. 統計學習理論是一種專門研究小樣本情況下機器學習規律的理論,它不僅考慮了對漸進性能的要求,而且追求在現有有限信息的條件下得到最優結果.支持向量機(SVM)是基于統計學習理論的機器學習算法,它采用結構風險最小化原則,在最小化樣本點誤差的同時,縮小模型預測誤差的上界,從而提高了模型的泛化能力和抗噪聲擾動能力.主要應用領域為模式識別、回歸預測、概率密度函數估計等.目前,支持向量機算法及其應用尚在發展階段.

作 者： 祝華遠 趙經成 徐偉勤   作者單位： 海軍航空工程學院青島分院  刊 名： 航空維修與工程  PKU 英文刊名： AVIATION MAINTENANCE & ENGINEERING  年，卷(期)： 2007 ""(4)  分類號： V2  關鍵詞：  

【基于支持向量機回歸算法的飛機主油泵故障數預測】相關文章：

一種基于支持向量機回歸的推薦算法04-26

基于支持向量機的紅外成像跟蹤算法04-27

基于HMLP參數的二肽logP值支持向量機預測模型04-26

支持向量機在機載設備故障診斷及預測中的應用研究04-26

基于最小二乘支持向量機的航空發動機故障遠程診斷04-27

支持向量機用于液體火箭發動機的故障診斷04-26

支持向量機在飛機狀態監控中的應用04-27

支持向量機及組合預測在蛋白質四級結構分類中的應用04-26

基于遺傳算法的航空發動機機載模型支持向量機修正方法04-26

路面質量影響因素分析-支持向量機模型04-26