北京航空航天大学学报 ›› 2017, Vol. 43 ›› Issue (2): 352-359.doi: 10.13700/j.bh.1001-5965.2016.0319

• 论文 • 上一篇    下一篇

一种基于支持向量回归的混合建模方法

孙泽斌1, 赵琦1, 赵洪博1, 冯文全1, 张文峰1, 杨天社2   

  1. 1. 北京航空航天大学 电子信息工程学院, 北京 100083;
    2. 西安卫星测控中心 宇航动力学国家重点实验室, 西安 710043
  • 收稿日期:2016-04-19 出版日期:2017-02-20 发布日期:2016-06-12
  • 通讯作者: 赵洪博,E-mail:bhzhb@buaa.edu.cn E-mail:bhzhb@buaa.edu.cn
  • 作者简介:孙泽斌,男,博士研究生。主要研究方向:故障诊断、故障预测、图像处理;赵琦,女,博士,副教授。主要研究方向:故障诊断、通信信号处理、认知无线电;赵洪博,男,博士,讲师。主要研究方向:故障诊断、卫星导航信号处理;冯文全,男,博士,教授,博士生导师。主要研究方向:故障诊断、通信信号处理、卫星导航信号处理;张文峰,男,博士研究生。主要研究方向:故障诊断、故障预测;杨天社,男,博士,研究员。主要研究方向:航天器故障诊断与健康管理,系统工程。
  • 基金资助:
    国家“973”计划

An SVR based hybrid modeling method

SUN Zebin1, ZHAO Qi1, ZHAO Hongbo1, FENG Wenquan1, ZHANG Wenfeng1, YANG Tianshe2   

  1. 1. School of Electronic and Information Engineering, Beijing University of Aeronautics and Astronautics, Beijing 100083, China;
    2. State Key Laboratory of Astronautic Dynamics, Xi'an Satellite Control Center, Xi'an 710043, China
  • Received:2016-04-19 Online:2017-02-20 Published:2016-06-12
  • Supported by:
    National Basic Research Program of China

摘要: 近年来,随着计算能力的不断提高,数据驱动的建模方法受到了广泛的关注,对单模式系统进行定量分析的建模方法获得了诸多研究。然而,实际应用中大多数系统为多模式系统,不但各个模式有着不同的连续行为,连续状态还会在模式之间进行切换。针对这一情形,本文提出了经验概率混合自动机模型,并提出了针对该模型的基于支持向量回归(SVR)的多模式定性定量混合建模方法。该方法使用小波技术识别模式切换点,并在各个模式下单独建立支持向量模型,最后使用D-Markov机整合模型。经实例验证,该方法与传统支持向量回归模型的稳定性接近,但精确程度显著提高。

关键词: 混合建模, 支持向量回归(SVR), D-Markov机, 小波, 数据驱动的建模

Abstract: As computing power increases in recent years, data-driven modeling method receives much attention. Modeling methods to analyze quantitative behavior of systems with single mode have been researched much. However, most systems have multiple modes which own different continuous behavior and are influenced by continuous state when switching. This paper proposes the empirical probabilistic hybrid automata model and the qualitative and quantitative hybrid modeling method based on support vector regression (SVR).First, switching points between modes are recognized via wavelet and then the SVR sub-models are constructed for each mode. Finally, all sub-models are integrated within D-Markov machine. The example verification results demonstrate that the proposed method is as stable as traditional SVR model, and much more accurate than it.

Key words: hybrid modeling, support vector regression (SVR), D-Markov machine, wavelet, data-driven modeling

中图分类号: 


版权所有 © 《北京航空航天大学学报》编辑部
通讯地址:北京市海淀区学院路37号 北京航空航天大学学报编辑部 邮编:100191 E-mail:jbuaa@buaa.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发