本文主要研究内容
作者李召召,王立德,岳川,申萍（2019）在《基于MKLSVM的MVB端接故障诊断》一文中研究指出：列车通信网络的故障诊断一直是列车健康管理中的难点,复杂的工作环境、分布式的系统结构也使得故障难以被发现和定位.在分析多功能车辆总线(Multifunction Vehicle Bus,MVB)网络端接故障和反射形成机理的基础上,提出了一种以MVB网络物理波形参数为样本特征,结合多核学习支持向量机(Multiple Kernel Learning Support Vector Machine,MKLSVM)的网络故障诊断方法,以完成由端接电阻造成的网络故障诊断.搭建平台,进行了数据采集、模型训练、结果测试.分别利用普通支持向量机及MKLSVM对样本集进行了测试,并从不同性能度量角度评估了分类器性能.结果显示:以物理波形参数为样本特征能够表征端接网络故障的故障模式,结合支持向量机(Support Vector Machine,SVM)的模式识别方法能够有效对端接网络故障进行诊断.在查准率、查全率、分类精度、代价函数方面,MKLSVM均优于普通SVM分类器.
Abstract
lie che tong xin wang lao de gu zhang zhen duan yi zhi shi lie che jian kang guan li zhong de nan dian ,fu za de gong zuo huan jing 、fen bu shi de ji tong jie gou ye shi de gu zhang nan yi bei fa xian he ding wei .zai fen xi duo gong neng che liang zong xian (Multifunction Vehicle Bus,MVB)wang lao duan jie gu zhang he fan she xing cheng ji li de ji chu shang ,di chu le yi chong yi MVBwang lao wu li bo xing can shu wei yang ben te zheng ,jie ge duo he xue xi zhi chi xiang liang ji (Multiple Kernel Learning Support Vector Machine,MKLSVM)de wang lao gu zhang zhen duan fang fa ,yi wan cheng you duan jie dian zu zao cheng de wang lao gu zhang zhen duan .da jian ping tai ,jin hang le shu ju cai ji 、mo xing xun lian 、jie guo ce shi .fen bie li yong pu tong zhi chi xiang liang ji ji MKLSVMdui yang ben ji jin hang le ce shi ,bing cong bu tong xing neng du liang jiao du ping gu le fen lei qi xing neng .jie guo xian shi :yi wu li bo xing can shu wei yang ben te zheng neng gou biao zheng duan jie wang lao gu zhang de gu zhang mo shi ,jie ge zhi chi xiang liang ji (Support Vector Machine,SVM)de mo shi shi bie fang fa neng gou you xiao dui duan jie wang lao gu zhang jin hang zhen duan .zai cha zhun lv 、cha quan lv 、fen lei jing du 、dai jia han shu fang mian ,MKLSVMjun you yu pu tong SVMfen lei qi .
论文参考文献
论文详细介绍
论文作者分别是来自北京交通大学学报的李召召,王立德,岳川,申萍，发表于刊物北京交通大学学报2019年02期论文，是一篇关于网络故障诊断论文,端接故障论文,支持向量机论文,多核学习论文,北京交通大学学报2019年02期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自北京交通大学学报2019年02期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：网络故障诊断论文; 端接故障论文; 支持向量机论文; 多核学习论文; 北京交通大学学报2019年02期论文;