| 毕业设计 基于支持向量的振动筛筛分效率的模式识别，共42页，19653字。 摘要 基于统计学习理论(Statistical Learning Theory，SLT)的支持向量机（Support Vector Machine, SVM）是一种新型的机器学习（Machine Learning，ML）方法，能较好地解决小样本、非线性、高维数等实际问题。支持向量机采用结构风险最小化(Structural Risk Minimization, SRM)而不是经验风险最小化(Empirical Risk Minimization, ERM)，因而在保证分类精度的前提下，提高了分类器的泛化能力。本论文结合振动概率筛实际应用项目，研究支持向量机在概率筛筛分效率中的模式识别。 本文首先介绍了课题的应用背景，概述了支持向量机及其工程实际应用，并概括了本文的各章节内容。第二章主要介绍了振动理论基础及振动概率筛的工作原理及结构特点，详细推导了概率筛筛分效率总公式，并简要说明了影响筛分效率的几个因素。第三章介绍了机器学习模型及模式识别问题，在说明了VC维度理论的基础上，说明了机器模型复杂度与推广能力之间的矛盾，最后简单介绍了支持向量机的基本算法。 第四章结合南方路机振动概率筛实验数据，研究支持向量机用于振动概率筛筛分效率的模式识别性能。选取部分实验数据作为支持向量机的输入数据，其余的数据用来验证支持向量机所构建的机器模型的推广能力，即模式识别能力。预测结果表明支持向量机能较好的处理模式识别问题。数据分析的难点在于支持向量机的参数选择，本文介绍了利用网格搜索的方法确定参数的思路及实现过程，实践证明，这种方法实用性较强。本文认为，在数据量更充足及参数选择方法更好的情况下，预测精度仍有上升的空间。 关键词： 模式识别；支持向量机；振动概率筛；参数选择；分类；网格搜索 目录 摘要 1 Abstract 2 第一章 绪论 5 1.1课题的应用背景 5 1.2支持向量机概述 5 1.2.1支持向量机简介 5 1.2.2支持向量机应用简介 6 1.3本文研究内容和结构安排 8 1.3.1本文的研究内容 8 1.3.2本文的结构安排 8 第二章 振动理论及振动概率筛简介 10 2.1筛分理论及概率筛分机简介 10 2.2振动理论基础 10 2.2.1振动理论研究的基本内容 11 2.2.2构成振动系统的三个基本要素 11 2.2.3研究振动的基本方法 13 2.3振动概率筛 13 2.3.1振动概率筛原理及结构特点 13 2.3.2概率筛筛分效率总公式 14 2.3.3影响筛分效率的工艺参数 17 2.4本章小结 17 第三章 支持向量机理论基础及其算法 18 3.1支持向量机的理论基础 18 3.1.1机器学习模型 18 3.1.2模式识别问题 19 3.1.3 VC维（Vapnik-Chervonenkis Dimension） 20 3.1.4推广能力和模型复杂度 20 3.2支持向量机算法 22 3.2.1 最优超平面（Optimal Hyperplane）和支持向量 22 3.2.2 广义最优超平面 23 3.2.3核函数(Kernel Function) 24 3.3本章小结 26 第四章 基于支持向量机的振动筛筛分效率的模式识别 27 4.1课题流程 27 4.2数据来源及预处理 28 4.2.1数据来源 28 4.2.2数据预处理 28 4.3参数选择的思路 28 4.4数据处理及结论 30 4.4.1数据处理 30 4.4.1结论 31 4.5本章小结 32 第五章 全文总结 33 致谢 34 参考文献 35 附录 37 |
- 上一篇：毕业设计 切管机设计
- 下一篇：河北工程大学课程设计 二级减速器
查看评论
已有0位网友发表了看法