春节不停更，此文正在参加「星光计划-春节更帖活动」https://harmonyos.51cto.com/posts/9923

车神哥是搞故障诊断、机器学习的，来一起学技术！～

前言

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题。改进了支持向量机多故障分类算法。依据此算法建立了多故障分类器，并应用于汽轮发电机组的故障诊断。应用结果表明，不必进行信号预处理以提取特征量‚只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断，并且具有算法简单、可对故障在线分类和故障分类能力强的优点。

目前比较常用的模糊诊断、专家系统和人工神经网络等智能诊断方法，往往需要大量的故障数据样本或先验知识‚而在机械故障诊断领域‚获取大量的典型故障数据样本非常困难。此外，这些方法还需要先通过数字信号处理以提取信号的特征量，而对于不同的故障到底应该提取哪些
特征和如何提取，则没有统一的规定。因而限制了这些智能诊断方法的推广应用。

二分类SVM原理

若给定的两类训练数据样本集为
$$（ x_i‚y_i）, i ＝1, 2,…,n, x ∈ R^d,y ∈｛＋1,－1｝$$
式中：n 为训练样本的个数；d 为每个训练样本向量的维数；y 为类别标号 （其值等于＋1为一类‚等于－1为另一类）。
对于非线性分类‚首先使用一个非线性映射 Φ把数据样本从原空间 $R^d$ 映射到一个高维特征空间 Ω,再在高维特征空间 Ω求最优分类面。高维特征空间 Ω的维数可能是非常高的，但是，支持向量机利用核函数巧妙地解决了这个问题。根据泛函有关理论‚只要一种核函数$K（ x_i‚x_j）$Mercer 条件,它就对应某一变换空间的内积, 即$K（ x_i‚x_j） ＝Φ（ xi）·Φ（ xj）$,这样在高维空间实际上只需进行内积运算，而这种内积运算是可以用原空间中的函数实现的，无需知道变换 Φ（ x） 的具体形式。因此‚在最优分类面中采用适当的内积函数 $K（ x_i‚x_j）$ 就可以实现某一非线性变换后的线性分类‚而计算复杂度却没有增加。这样在原空间分类面的方程为 $w·Φ（ x）＋ b ＝0$, 分类面应满足的约束为
$$y_i（w·Φ（ x_i）＋ b） ≥1 ,i ＝1‚2,…,n$$
式中：w 是分类面的权系数向量；b 为分类的域值 。
考虑到可能存在一些训练样本不能被分类面正确分类,因此引入一个松弛变量 ξi ≥0‚使分类面约束变为
$$y_i（w·Φ（ x_i）＋ b） ≥1－ξ_i, i ＝1‚2,…,n$$
使式（2）中等号成立的那些样本称为支持向量。使分类间隔$2|yi（w·Φ（ xi）＋ b）|／‖w‖ ＝2／‖w‖$ 最大化的分类面为最优分类面。因此构造最优分类面的问题被转化为在式（2） 的约束下，求函数$1/2‖w‖^2＋ C（\Sigma_{i=1}^n＝ξ_i）$ 的最小值‚即在确定最优分类面时折衷考虑最小错分样本和最大分类间隔‚其中常数 C ＞0控制着对错分样本的惩罚程度。而这是一个凸二次优化问题‚能够保证找到的极值解就是全局最优解‚可利用 Lagrange 函数使原问题转化为较简单的对偶问题：在约束条件 $\Sigma_{i=1}^n＝y_iα_i 和 C ≥α_i ≥0,i ＝1，2，…，n$之下求解下列函数的最大值
$$Q（α） ＝ \Sigma_{i-1}^n＝αi-1/2 \Sigma_{i,j=1}^n＝α_iα_jy_iy_jK（ x_i‚x_j）$$

根据 Kühn-Tucker 条件‚通过式（3）求得的优化系数 αi须满足
$$α_i（ y_i（w·Φ（ x_i）＋ b）－1＋ξ_i） ＝0 ,i ＝1,2,…,n$$
因此‚多数 αi 值必为0‚少数值为非0的αi 对应于使式
（2）等号成立的样本为支持向量‚只有为支持向量的样本决定最终的分类结果。
利用式（3）求出优化系数 αi 后‚对于给定的测试样本x‚支持向量机分类器的分类函数一般形式为$f（ x） ＝ sign｛\Sigma_{支持向量}α_iy_iK（ x_i‚x）＋ b｝$ （4）式中：sign｛｝为符号函数。由分类函数 f（ x） 的正负即可判定 x 所属的分类。
选择不同的内积核函数形成不同的算法，目前在分类方面研究较多也较常用的核函数有四种‚即线性核函数、多项式核函数、径向基核函数和 Sigmoid 核函数。

多分类器SVM的原理及算法

基于二分类的多分类支持向量机算法主要有一对一和一对多两种，分别作简单介绍‚并予以分析比较。下面针对给定的 k 类训练数据样本集，
$（ x_i‚y_i）,i ＝1,2,…,n,x ∈ R^d, yi ∈｛1,2,…,k｝$
式中：
n 为训练样本的个数, d 为每个训练样本向量的维数, $y_i$ 为类别标号, 介绍不同的多分类算法。

一对一的多分类算法

根据二分类算法，在 k 类样本中构造所有可能的两类分类器‚每个两类分类器只用 k 类中的2类训练样本进行训练‚这样可以共构造出$k（ k －1）／2$ 个两类分类器。

在对测试数据样本的分类中,采用“投票法”。将测试样本 x 输入给由 k 类中第 m 类样本和第 n 类样本构造的两类分类器‚如果分类函数
$$
f^mn（ x） ＝ sign｛\Sigma_{支持向量}a^{mn}_i y^{mn}_i K（ x_i‚x）＋ b^{mn}｝
$$
的输出结果判定 x 属于第m 类‚则给第 m 类加一票；如果属于第 n 类‚则给第 n 类加一票。所有 k（ k－1）／2个两类分类器对测试样本 x 分类后‚k 类中的哪一类得票最多（MaxWins）‚就判定测试样本 x 属于哪一类。

这种多分类算法的主要缺点是：
（1） 两类分类器的数目 k（ k－1）／2随着类别数 k 的增加而急剧增加‚这样需要很大的运算量‚导致在训练和测试分类时速度很慢‚不能实现在线实时分类。
（2） 在测试分类中‚当某两类所得的票数相同时‚无法判定属于哪一类‚可能造成分类错误。
（3） 当测试样本不属于 k 类中的任何一类‚而属于其它类别时‚会出现分类错误。因为按照“投票法” k 类中总有某一类得票最多,这样就会将不属于 k 类中的任何一类的测试样本误分为某一类。

一对多的多分类算法

根据上节介绍的二分类算法‚可以构造 k 个两类分类器。在构造 k 个分类器中的第m 个分类器时（m ∈ yi）‚将第 m 类的训练样本作为一类‚类别标号为 ymi ＝ m 是正数，将除去 m 类之外的其余所有类别的训练样本作为一类，类别标号为 ymi ＝－1。优化后可建立第 m 个分类器的分类输出函数为
$$
f^m（ x） ＝\Sigma_{支持向量}α^m_iy^m_i K（ x_i‚x）＋ b^m
$$
在对测试数据样本的分类中‚采用“比较法”。将测试样本 x 分别输入给 k 个两类分类器‚从分类输出函数上式可得 k 个输出结果,比较这 k 个数求出最大者‚则输出为最大的分类器的序号即为测试样本 x 所属的类别号。

这种多分类算法的主要缺点是：
（1） 在构造每个两类分类器时‚所有的 k 类 n 个训练样本都要参加运算；在测试分类时‚k 个两类分类器都对测试样本分类后，才能判定测试样本的类别。因此，当训练样本数 n 和类别数 k 较大时‚训练和测试分类的速度较慢。
（2） 当测试样本不属于 k 类中的任何一类,而属于其它类别时,会出现分类错误。因为按照“比较法”,k 个分类器中总有某一个的输出最大‚这样就会将不属于 k 类中的任何一类的测试样本误判为输出最大的分类器所对应的类别。

好了，今天就到这儿啦！

工作是做不完的，学习是自己的事

加油！～

愿所有人在2022能够找到属于自己的未来！！！