RBF神经网络(Radial Basis Function Neural Network,RBFNN)以简单的结构、较快的收敛速度,以及全局寻优的方式,实现了以任意给定的精度去逼近任意连续的非线性系统的功能。因此,RBFNN获得了广泛的应用。在设备故障诊断领域,不同类型的...RBF神经网络(Radial Basis Function Neural Network,RBFNN)以简单的结构、较快的收敛速度,以及全局寻优的方式,实现了以任意给定的精度去逼近任意连续的非线性系统的功能。因此,RBFNN获得了广泛的应用。在设备故障诊断领域,不同类型的设备故障由于误分类而造成的代价并不相同。比如将设备故障状态识别为正常状态所造成的代价,要比将正常状态识别为故障类型要高得多。而RBFNN却是以每类样本的误分类代价相等为假设前提的。展开更多
为提升代价敏感分类性能,通过提升较高误分代价类别的学习精度来降低总误分代价,利用支持向量域描述(Support Vector D omain Description,SVDD)实现代价敏感分类,提出一种代价敏感SVDD二类分类方法CS-SVDD。该方法首先将单类SVDD拓展...为提升代价敏感分类性能,通过提升较高误分代价类别的学习精度来降低总误分代价,利用支持向量域描述(Support Vector D omain Description,SVDD)实现代价敏感分类,提出一种代价敏感SVDD二类分类方法CS-SVDD。该方法首先将单类SVDD拓展为二类分类SVDD,对不同类别分别构建SVDD超球体,通过误分类代价调节SVDD分类器对不同类别样本的分类精度,对误分代价高的类别进行更为精确的学习,从而降低总误分代价;对于处于两个超球体之外或覆盖区域的类别属性不明确的样本,以误分代价最小为原则定义代价敏感决策规则。在人工数据集和UCI数据集上与同类方法进行了实验比较,实验结果表明了所提方法的有效性。展开更多
文摘RBF神经网络(Radial Basis Function Neural Network,RBFNN)以简单的结构、较快的收敛速度,以及全局寻优的方式,实现了以任意给定的精度去逼近任意连续的非线性系统的功能。因此,RBFNN获得了广泛的应用。在设备故障诊断领域,不同类型的设备故障由于误分类而造成的代价并不相同。比如将设备故障状态识别为正常状态所造成的代价,要比将正常状态识别为故障类型要高得多。而RBFNN却是以每类样本的误分类代价相等为假设前提的。
文摘为提升代价敏感分类性能,通过提升较高误分代价类别的学习精度来降低总误分代价,利用支持向量域描述(Support Vector D omain Description,SVDD)实现代价敏感分类,提出一种代价敏感SVDD二类分类方法CS-SVDD。该方法首先将单类SVDD拓展为二类分类SVDD,对不同类别分别构建SVDD超球体,通过误分类代价调节SVDD分类器对不同类别样本的分类精度,对误分代价高的类别进行更为精确的学习,从而降低总误分代价;对于处于两个超球体之外或覆盖区域的类别属性不明确的样本,以误分代价最小为原则定义代价敏感决策规则。在人工数据集和UCI数据集上与同类方法进行了实验比较,实验结果表明了所提方法的有效性。
