【回归预测-LSSVM预测】基于PSO和PSR结合LSSVM实现数据回归预测附matlab代码

1 内容介绍

轴承退化过程预测在工业中极为重要,本文提出了一种基于主成分分析(PCA)和优化的LS-SVM方法实现轴承退化预测的新方法。首先,采用时域、频域、时频域特征提取方法从质量振动信号中提取原始特征;由于提取的原始特征仍然具有高维且包含冗余信息,采用多特征融合技术PCA对原始特征进行合并降维,提取出典型的敏感特征;然后,基于提取的特征构建并训练LS-SVM模型用于轴承退化过程预测。​最后,用粒子群优化 (PSO) 用于选择 LS-SVM 参数进行轴承加速失效试验,结果证明了该方法的有效性。

2 仿真代码

%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 运行结果

【回归预测-LSSVM预测】基于PSO和PSR结合LSSVM实现数据回归预测附matlab代码_第1张图片

【回归预测-LSSVM预测】基于PSO和PSR结合LSSVM实现数据回归预测附matlab代码_第2张图片

4 参考文献

Shaojiang Dong,Tianhong Luo,Bearing degradation process prediction based on the PCA and optimized LS-SVM model,Measurement,2013.06

[1]王通, 高宪文, 翟瑀佳,等. 基于PSO-LSSVM预测的改进传感器故障检测和隔离[J]. 信息与控制, 2014, 43(2):6.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。

你可能感兴趣的:(神经网络预测,matlab)