PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Automated selection of kernel parameters in diagnostics of analog systems

Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
PL
Automatyczny dobór optymalnych parametrów funkcji jądra w diagnostyce systemów analogowych
Języki publikacji
EN
Abstrakty
EN
The paper presents an approach to automatically select the optimal parameters of the kernel functions used in the Support Vector Machines (SVM) approach for the diagnostic task. Various variants of the simulated annealing were implemented and verified in order to obtain the best diagnostic outcomes. The tested system was the fourth order lowpass filter, consisting of two Sallen-Key sections and nine diagnosable elements. The tests covered verification of simulated annealing parameters (starting temperature and annealing ratio) and various SVM kernels (with coding schemes) in the multiple faults detection and location task. The proposed method verified against the exhaustive search.
PL
Artykuł przedstawia metodę automatycznego doboru optymalnych parametrów funkcji jądra wykorzystywanych przez maszyny wektorów podpierających w diagnostyce systemów analogowych. Różne warianty symulowanego wyżarzania zostały zaimplementowane w celu uzyskania jak najlepszych wyników diagnostycznych. Metoda została przetestowana na modelu filtru dolnoprzepustowego czwartego rzędu składającego się z dwóch sekcji Sallen-Key oraz dziewięciu elementów mogących być przyczyną uszkodzeń. Eksperymenty obejmowały dobór parametrów symulowanego wyżarzania (temperatura początkowa oraz szybkość schładzania) oraz jąder wektorów podpierających w detekcji i lokalizacji uszkodzeń. Opisana metoda została porównana z przeszukiwaniem wyczerpującym.
Rocznik
Strony
9--13
Opis fizyczny
Bibliogr. 11 poz., rys., tab.
Twórcy
autor
Bibliografia
  • [1] P. Bilski and J. Wojciechowski, ”Automated Diagnostics of Analog Systems Using Fuzzy Logic Approach”, IEEE Trans. Instr. and Meas., Dec. 2007, Vol. 56, Issue 6, pp. 2175-2185.
  • [2] G. Anderson, U. Zheng, R. Wyeth, A. Johnson, and J. Bissett,"A rough set/fuzzy logic based decision making system for medical applications", International Journal of General Systems, Vol. 29, No.6, 2000, pp. 879-96.
  • [3] V. Malathi and N.S. Marimuthu, "Support Vector Machine for Discrimination Between Fault and Magnetizing Inrush Current in Power Transformer," Journal of Computer Science 3 (11), 2007, pp. 894-897.
  • [4] Y. Wang, S. Wang, and K. K. Lai, "A New Fuzzy Support Vector Machine to Evaluate Credit Risk," IEEE Trans. Fuzzy Systems, Vol. 13, No. 6, Dec 2005, pp. 820-831.
  • [5] M. Catelani and A. Fort, "Soft Fault Detection and Isolation in Analog Circuits: Some Results and a Comparison Between a Fuzzy Approach and Radial Basis Function Networks," IEEE Trans. Instr. Meas. Vol. 51, No. 2, April 2002, pp. 196-202.
  • [6] R. Sałat and S. Osowski, ”Analog Filter Diagnosis Using Support Vector Machine,” Proc. ECCTD’03 Conf., Cracow, Poland, 2003, pp. III-421-424.
  • [7] N. Cristianini and J. Shawe-Taylor, "An Introduction to Support Vector Machines and Other Kernel-based Learning Methods," Cambridge University Press, 2000.
  • [8] C.J.C. Burges, "A Tutorial on Support Vector Machines for Pattern Recognition," Data Mining and Knowledge Discovery, No 2, 1998, pp. 121–167.
  • [9] K. Pelckmans, J.A.K. Suykens, T. Van Gestel, J. De Brabanter, L. Lukas, B. Hamers, B. De Moor, J. Vandewalle, "LS-SVMlab Toolbox User’s Guide," online at http://www.esat.kuleuven.ac.be/sista/lssvmlab/
  • [10] S. Gunn, “Support Vector Machines for Classification and Regression,” online at:http://www.isis.ecs.soton.ac.uk/resources/svminfo/
  • [11] Z. Michalewicz, D.B. Fogel, “How to Solve It: Modern Heuristics,” Springer-Verlag, 2004.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BPS3-0022-0004
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.