原文传递
Hadoop平台下的分布式SVM算法及其应用研究
| 论文题名： | Hadoop平台下的分布式SVM算法及其应用研究 |
| 关键词： | 高速列车;振动监测;故障诊断;机器学习;支持向量机;分布式计算 |
| 摘要： | 随着高速列车的快速发展，高速列车安全性问题逐渐引起人们的重视。高速列车振动监测数据为分析列车服役性能提供了条件。然而，如何及时准确地从这些海量数据中挖掘故障特性进行故障诊断，是目前存在的难题。 与此同时，这几年来互联网技术迅猛发展，不断涌现大规模数据信息，如何处理和利用如此大规模的信息，成为人们研究的热点。支持向量机是一种高效的监督式的机器学习方法，被广泛应用于分类识别以及回归分析等领域。但是传统的SVM在面对大规模数据时，因其时间复杂度较高和算法占用的内存庞大，导致训练效率特别慢为了解决这两大难题，本文根据CascadeSVM算法对训练模型进行适当的调整与优化。并将其应用于高速列车故障诊断中，对故障进行分类和定位。 首先本文深入的探讨SVM算法的并行化。根据CascadeSVM算法，改进新的训练模型，并通过模拟实验，对比传统SVM、分组SVM、CascadeSVM，考虑识别准确率和训练效率两大衡量标准，证明该分布式SVM算法两者兼备，在处理大数据时能够取得良好的结果。 然后将分布式SVM算法与Hadoop平台结合，构建了并行化分布式SVM算法。并选取标准MNIST数据集进行实验，实验结果显示数字总体识别率达到98％，加速比提高到3,从而说明该算法算法在识别结果准确率、并行化效率方面具有良好表现。 最后分析高速列车正常和故障振动数据时的时域、频域特征。采用EEMD算法提取IMFs特征，运用分布式SVM算法对高速列车振动数据进行深层特征提取并进行故障分类。实验结果表明，通过对较好通道的统计结果来看，列车故障辨识的识别率为96％，故障定位识别率为89％，且算法效率有一些提升。 |
| 作者： | 熊定鸿 |
| 专业： | 控制科学与工程 |
| 导师： | 金炜东 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西南交通大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
