【回歸預(yù)測-LSSVM預(yù)測】基于PSO和PSR結(jié)合LSSVM實現(xiàn)數(shù)據(jù)回歸預(yù)測附matlab代碼
【回歸預(yù)測-LSSVM預(yù)測】基于PSO和PSR結(jié)合LSSVM實現(xiàn)數(shù)據(jù)回歸預(yù)測附matlab代碼
TT_Matlab
博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預(yù)測、信號處理、元胞自動機、圖像處理、路徑規(guī)劃、無人機等多種領(lǐng)域的Matlab仿真，完整matlab代碼或者程序定制加qq1575304183。
1 內(nèi)容介紹
軸承退化過程預(yù)測在工業(yè)中極為重要，本文提出了一種基于主成分分析（PCA）和優(yōu)化的LS-SVM方法實現(xiàn)軸承退化預(yù)測的新方法。首先，采用時域、頻域、時頻域特征提取方法從質(zhì)量振動信號中提取原始特征；由于提取的原始特征仍然具有高維且包含冗余信息，采用多特征融合技術(shù)PCA對原始特征進行合并降維，提取出典型的敏感特征；然后，基于提取的特征構(gòu)建并訓(xùn)練LS-SVM模型用于軸承退化過程預(yù)測。最后，用粒子群優(yōu)化 (PSO) 用于選擇 LS-SVM 參數(shù)進行軸承加速失效試驗，結(jié)果證明了該方法的有效性。
2 仿真代碼
%This code is using to normalize vibration signal
clc
clear all
close all
%% initial parameters
fs = 750;
I = 375;
tau_max = 200;
c1 = 1.5; % c1 belongs to [0,2]
c2 = 1.7; % c2 belongs to [0,2]
maxgen=100;
sizepop=30;
Nstd = 0.2;
NR = 100;
MaxIter = 100;
X = load(’ecg.csv’);
X_norm = zscore(X); %Z-Score
x_f_after_PCA = pca_fea_34(X_norm,fs,I,Nstd,NR,MaxIter);
figure,plot(x_f_after_PCA),title(’The first principal component of vibration siganl ’)
[predict2,MSE2] = lssvm_psr_pso(x_f_after_PCA,tau_max,c1,c2,maxgen,sizepop);
3 運行結(jié)果
4 參考文獻
Shaojiang Dong,Tianhong Luo,Bearing degradation process prediction based on the PCA and optimized LS-SVM model, Measurement ,2013.06
[1]王通, 高憲文, 翟瑀佳,等. 基于PSO-LSSVM預(yù)測的改進傳感器故障檢測和隔離[J]. 信息與控制, 2014, 43(2):6.