基于支持向量机的智能识别方法、识别系统及民航发动机技术方案

本发明专利技术属于智能识别技术领域，公开了一种基于支持向量机的智能识别方法、识别系统及民航发动机，利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；通过测试函数来验证不同的PSO改进算法的寻优性能。本发明专利技术将支持向量机作为发动机损伤智能识别的方法；为保障SVM可靠稳定的识别性能，本发明专利技术还提出利用自适应变异的粒子群优化算法对核参数和惩罚因子优化，通过增强种群的多样性，平衡探索和开发能力，自适应变异策略能提升了PSO的全局寻优能力，从而实现对SVM参数的优化，提高了SVM在发动机损伤类型识别中的准确率和稳定性。

【技术实现步骤摘要】
基于支持向量机的智能识别方法、识别系统及民航发动机
本专利技术属于智能识别
，尤其涉及一种基于支持向量机的智能识别方法、识别系统及民航发动机。
技术介绍
目前，民航飞机的安全运行直接关系到旅客的生命财产安全，保障民航飞机安全飞行，是民航业的生命线。发动机作为高度集成化、精密化的复杂工业产品，向飞机运行提供充足的动力，是保障飞行安全的关键系统。根据全球民航业数据统计，由发动机引起的飞行事故占比约为50％；而发动机的维修支出约占到所有支出成本的40％。因此开展高效、精准的民航发动机维修决策研究，对保障飞行安全、降低维护成本、提高运行效率具有重要意义。随着现代智能识别技术的快速发展，人工神经网络、深度学习，统计模式识别等方法被广泛应用于模式识别，使发动机的损伤类型检测与识别摆脱了对专家经验的过度依赖，提高了识别准确率，为发动机的维修保障提供了可靠的技术支持。研究表明：由于人工神经网络一直存在收敛性和泛化能力差的缺点，且网络参数及拓扑结构设定方面存在不确定性，增加了其应用难度。深度学习对样本数量要求较高，且算法运行效率较低，降低了本文档来自技高网...

【技术保护点】
1.一种基于支持向量机的智能识别系统，其特征在于，所述基于支持向量机的智能识别系统包括：/n粒子群优化算法AMPSO构建模块，用于构建基于自适应变异策略AM的PSO算法AMPSO；/nSVM优化模块，用于利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；/n验证模块，用于通过测试函数验证不同的PSO改进算法的寻优性能。/n

【技术特征摘要】
1.一种基于支持向量机的智能识别系统，其特征在于，所述基于支持向量机的智能识别系统包括：
粒子群优化算法AMPSO构建模块，用于构建基于自适应变异策略AM的PSO算法AMPSO；
SVM优化模块，用于利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；
验证模块，用于通过测试函数验证不同的PSO改进算法的寻优性能。


2.如权利要求1所述的基于支持向量机的智能识别系统，其特征在于，所述智能识别系统进一步包括：
损伤图像预处理模块，用于对损伤图像进行对比、分割、增强处理；
损伤图形数字特征提取模块，用于提取数字图像特征数据库，以训练SVM算法；
损伤图像数据库维护模块，用于将检查验证的图像数字特征存在数据库，以增强数据库样本的覆盖范围。


3.一种如权利要求1所述基于支持向量机的智能识别系统的基于支持向量机的智能识别方法，其特征在于，所述基于支持向量机的智能识别方法包括以下步骤：
步骤一，构建基于自适应变异策略AM的PSO算法AMPSO；
步骤二，利用自适应变异的粒子群优化算法AMPSO对核参数和惩罚因子进行优化，得到基于AMPSO优化的SVM；
步骤三，通过测试函数验证不同的PSO改进算法的寻优性能。


4.如权利要求3所述的基于支持向量机的智能识别方法，其特征在于，所述步骤一中，所述AM策略包括：
(1)对粒子更新公式的改进，公式(1)粒子更新公式：



其中，k为当前迭代次数；pi为第i个粒子；pie为单个粒子所经历的历史最优位置；pge为群体最优位置；vi为粒子的速度向量；ω是递减型惯性权重；c1和c2为正常数，取值范围0-2；r1和r2为[0，1]之间两个相互独立的随机数；
(2)对不能改进自身极值的粒子进行一次变异，变异过程如公式(2)所示：



其中...

【专利技术属性】
技术研发人员：郑波，马昕，张小强，高会英，卢俊文，高峰，
申请(专利权)人：中国民用航空飞行学院，
类型：发明
国别省市：四川;51