论文部分内容阅读
基于数据驱动的网络故障诊断其实质为一种模式识别问题，系统中分类机的构造在网络故障诊断问题中至关重要。支撑向量机（Support Vector Machine-SVM）以其出色的非线性分类能力及良好的泛化性能在分类问题中取得了良好的分类效果。鉴于此，SVM及其改进算法在网络故障诊断中得到了较为广泛的应用。SVM算法使用时，需要设定由软间隔分类所需的规则化参数C和高斯核函数的高斯宽度（σ）。通常，参数（C, σ）的选取对分类机的性能影响较大。以往参数（C, σ）的设定主要依据经验给定或实验穷举，但此法带有一定的不确定性和随机性。本文将优化理论中的遗传算法应用于SVM的参数寻优，将标准遗传算法改进为一种荷尔蒙调节的自适应遗传算法（Hormone Modulation Genetic Algorithm-HMGA），以得到最优参数（C, σ）。集成学习（Ensemble Learning）方法，可将多个SVM分类机进行集成，利用组合决策分类来提高分类的准确率。多重提升（MultiBoost-MB）算法将经典算法自适应提升（Adaptive Boost-AB）与袋装（Bagging）算法进行统一构造，分别利用AB具有较强减小偏差（Bias）的能力和Bagging较强减小方差的能力降低分类误差。为提高网络故障诊断系统中分类机的分类准确率、减小分类误差，本文提出了一种基于多重提升的荷尔蒙调节遗传支撑向量机方法——MHSVM（MultiBoost HormoneModulation Genetic Algorithm SVM—MHSVM）。将经过HMGA参数优化后的SVM分类机作为基分类机（Based Learner），再利用MB算法组合多个基分类机进行共同决策的方法来提高分类机的准确率。最后，经实验验证了该方法的可行性与在分类准确率方面的性能优势。