Resumen

El algoritmo de regresión de vectores soporte se utiliza ampliamente en el diagnóstico de fallos de rodamientos. En este trabajo se propone un nuevo método de selección de parámetros de modelo para la regresión de vectores de soporte basado en la fusión adaptativa de la función de núcleo mixto. Elegimos la función de núcleo mixto como la función de núcleo de la regresión de vectores de soporte. La función kernel mixta de los coeficientes de fusión, los parámetros de la función kernel y los parámetros de regresión se combinan juntos como los parámetros del vector de estado. De este modo, el problema de selección del modelo se transforma en un problema de estimación del estado del sistema no lineal. Utilizamos un filtro de Kalman de cubatura de 5º grado para estimar los parámetros. De este modo, realizamos la selección adaptativa de los coeficientes ponderados de la función kernel mixta y los parámetros del kernel, los parámetros de regresión. En comparación con una única función kernel, los algoritmos de regresión de vectores de soporte con filtro de Kalman no acentuado (UKF) y los algoritmos genéticos, la función de regresión de decisión obtenida por el método propuesto tiene una mejor capacidad de generalización y una mayor precisión de predicción.

• Materias:Control del proceso Aerodinámica Diagnóstico de fallas Regulación automática Instrumentación automática
• Subjects: Aerodynamics Fault diagnosis Automatic regulation Automatic instrumentation
• Palabras claves:función kernel mixta, regresión de vectores soporte, parámetros de regresión, algoritmo de regresión de vectores soporte, filtro kalman de cubatura de grado, nuevo método de selección de parámetros de modelo, problema de estimación de estado de sistema no lineal, algoritmos de regresión de vectores soporte, mejor capacidad de generalización, función de regresión de decisión
• Keywords:mixed kernel function, support vector regression, regression parameters, support vector regression algorithm, degree cubature kalman filter, new model parameter selection method, nonlinear system state estimation problem, support vector regression algorithms, better generalization ability, decision regression function