一种新的超球SVDD增量学习方法

• 作者: 孙世宇 张泽建 曹健 段修生
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: SVDD 增量学习 故障诊断
• 年，卷（期）: 2015,（2）
• 所属期刊栏目: 人工智能与识别
• 页码范围: 163-166
• 页数: 4页
• 分类号: TP181
• 字数: 3163字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2015.02.041

摘要

在基于支持向量数据描述（SVDD）的故障诊断中，往往随着故障数据的不断增加而不断地进行再训练以调整诊断模型，浪费了大量时间。为了解决这一问题，提出一种新的 SVDD 增量学习算法。该方法在深入分析训练结果与数据样本的关系，多次利用 KKT 条件，对样本进行筛选，最终选择出影响最终结果的少量训练样本。通过实际电路故障提取采集数据并诊断，所得结果表明该算法可以选择出所有影响结果的相关样本，保证了准确率并避免了大量样本训练，节省了时间。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙世宇		43	382	8.0	18.0
2	段修生		68	568	10.0	22.0
3	曹健		4	29	2.0	4.0