Resumen

En realidad, es difícil obtener una gran cantidad de datos de muestra debido a fallas en el equipo, y también puede faltar datos de muestra pequeños. Este artículo propone un novedoso método de relleno de datos faltantes de muestra pequeña basado en regresión de vectores de soporte (SVR) y algoritmo genético (GA) para mejorar el efecto del diagnóstico de la salud del equipo. Primero, se utiliza el algoritmo genético para optimizar la regresión de vectores de soporte, y se puede proponer un nuevo método GA-SVR. El modelo GA-SVR se entrena utilizando otros datos de la variable a la que pertenecen los datos faltantes, y se puede obtener el método de predicción de una sola variable. Se utiliza el análisis de correlación para reconstruir el conjunto de entrenamiento, y el GA-SVR se entrena utilizando los datos de las variables relacionadas con los datos faltantes para obtener el método de predicción multivariable. Luego, se presenta el peso dinámico para combinar el método de predicción de una sola variable con el método de predicción

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Gran cantidad; Datos de muestra; Regresión de vectores de soporte; Algoritmo genético; Diagnóstico de salud del equipo; Datos faltantes
• Keywords:Large number; Sample data; Support vector regression; Genetic algorithm; Equipment health diagnosis; Missing data