申请/专利权人：江苏科技大学

申请日：2020-06-02

公开（公告）日：2023-12-01

公开（公告）号：CN111652310B

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/214;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2023.12.01#授权;2020.10.13#实质审查的生效;2020.09.11#公开

摘要：本发明属于继电器贮存寿命预测算法优化领域，具体地说，是一种基于Bagging框架的SVM电磁继电器贮存寿命预测方法,主要分为两个部分，第一个部分是有放回的采样Bootstrap，第二个部分是融合Aggregating，其中的模型训练使用SVM算法，利用Bagging和SVM在处理小样本数据方面的优势，解决小样本数据寿命预测难以估算和精度不高的问题。用Bagging框架进行数据的采样以及融合，每一个子模型运用SVM进行样本数据训练，通过改进后的算法，可以提高继电器小样本数据贮存寿命预测的精度，减小误差，避免过拟合。以此训练出更精确的预测模型对电磁继电器的贮存寿命进行预测。为电磁继电器的贮存可靠性研究提供一种新的思路，对系统的可靠性研究也有着重要的意义。

主权项：1.一种基于Bagging框架SVM继电器贮存寿命预测方法，其特征在于，包括如下步骤：步骤1：对电磁继电器进行加速贮存退化试验，获取建立训练样本所需的材料性能参数；步骤2：对原始数据X＝{x1，y1,x2，y2,…,xn，yn}进行归一化处理，建立原始训练样本集步骤3：通过Bootstrap采样，重复进行T次，获得一个新的训练样本集步骤4：利用SVM算法对采样集进行学习,训练获得第t个子模型ftx；步骤5：采用均值法将T个子模型预测结果进行融合aggregating，即T个子模型进行算术平均得到融合模型fx；步骤6：利用融合模型fx结合继电器接触电阻的失效阈值得出继电器的贮存寿命预测值作为最终的模型输出；所述步骤4中SVM算法，输入数据以及输出数据间的映射关系f:Rm→R，假设训练样本集是其中xi为输入向量，yi为输出向量，则回归函数为： 式中：w-权重；b-偏值项，引入非负的松弛变量ξi以及支持向量机优化的目标函数为： 其中约束条件为：yi-wTψxi-b≤ε+ξi4 式中：ε-不敏感损失函数参数，C-惩罚因子；利用最优化理论，应用拉格朗日算子法求解得到线性回归函数： 式中：Kx,xi-核函数，其中，把的点定义为机器的支持向量；利用低维空间的核函数运算:Kx,xi＝ψxiψyi8代替高维空间的点积运算即可确定非线性回归函数；其中SVM算法核函数以及参数选择是关键，参数的计算式为 式中：和σy为平均值和方差，径向基核函数： 式中:x为n维输入向量；xi—第i个径向基函数的中心；σ—核宽度，决定函数围绕中心点的宽度；多项式核函数：设d为正整数，d阶齐次多项式函数为Kx,xi＝xxid11模型训练过程中t个样本集均采用SVM算法进行并行训练得到T个子模型ftx，利用均方误差来判断训练结果的好坏。

全文数据：

权利要求：

百度查询： 江苏科技大学 基于Bagging框架SVM继电器贮存寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD