基于Bayesian推断和LS-SVM的发动机在翼寿命预测模型

被引：7

作者：

王烨

左洪福

蔡景

戎翔

机构：

[1] 南京航空航天大学民航学院

来源：

南京理工大学学报 | 2013年 / 37卷 / 06期

关键词：

贝叶斯推断; 最小二乘支持向量机; 发动机; 在翼寿命; 预测;

D O I：

10.14177/j.cnki.32-1397n.2013.06.011

中图分类号：

V231 [发动机原理];

学科分类号：

082502 ;

摘要：

为解决发动机的寿命预测精度问题,该文将贝叶斯(Bayesian)推断应用于最小二乘支持向量机(LS-SVM)模型参数的选择,建立了发动机在翼寿命的非线性预测模型。分析了影响发动机在翼寿命的性能参数,建立了用于机器学习的预测模型训练集,构建了基于LS-SVM的发动机在翼寿命预测模型。采用Bayesian推断理论优化LS-SVM建模,获取最优建模参数。通过某型发动机在翼寿命数据集训练模型,对在翼寿命进行预测。与几种常用的算法相比较,该文模型预测精度能够提高4.58%至9.51%,较好地解决了小样本下的预测问题,具有良好的泛化能力和预测精度。

引用

页码：955 / 959

页数：5

共 12 条

[1]

Bayesian interpolation. MacKay,DJC. Neural Computation . 1992

[2]

An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Nello Cristianini,John Shawe-Taylor. . 2004

[3]

Review of approaches to gas turbine life management. S. Vittal,P. Hajela,A. Joshi. Proceeding of 10th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference . 2004

[4]

The evidence framework applied to support vector machines. Kowk J T. IEEE Transactions on Neural Networks . 2009

[5] 小样本机器学习理论:统计学习理论 [J].