在机载锂电池失效识别等样本不平衡的应用场景中,支持向量机(support vector machine,SVM)算法存在分离超平面偏移的问题,为此,提出分段惩罚参数支持向量机(segmented penalty parameters support vector machine,SPP-SVM)算法.该算法...在机载锂电池失效识别等样本不平衡的应用场景中,支持向量机(support vector machine,SVM)算法存在分离超平面偏移的问题,为此,提出分段惩罚参数支持向量机(segmented penalty parameters support vector machine,SPP-SVM)算法.该算法在训练过程中对样本进行分段,并根据各段内样本的识别误差自动调整惩罚参数,从而抑制超平面偏移;基于容量增量分析和灰色关联分析等方法提取并筛选特征,进而基于SPP-SVM算法建立锂电池失效识别模型;以NASA锂电池数据集和加州大学欧文分校(University of California Irvine,UCI)数据集为对象,开展对比实验.研究结果表明:与结合寻优算法的SVM相比,SPP-SVM算法识别性能更好,在不平衡程度较大的锂电池数据上,查准率和查全率的调和平均数(F1值)提升11.7%;在锂电池数据集和UCI数据集上的训练耗时缩短,减少幅度超过10倍;证明在样本不平衡情况下,使用SPP-SVM算法能够有效抑制分离超平面偏移,提升识别效果.展开更多
文摘在机载锂电池失效识别等样本不平衡的应用场景中,支持向量机(support vector machine,SVM)算法存在分离超平面偏移的问题,为此,提出分段惩罚参数支持向量机(segmented penalty parameters support vector machine,SPP-SVM)算法.该算法在训练过程中对样本进行分段,并根据各段内样本的识别误差自动调整惩罚参数,从而抑制超平面偏移;基于容量增量分析和灰色关联分析等方法提取并筛选特征,进而基于SPP-SVM算法建立锂电池失效识别模型;以NASA锂电池数据集和加州大学欧文分校(University of California Irvine,UCI)数据集为对象,开展对比实验.研究结果表明:与结合寻优算法的SVM相比,SPP-SVM算法识别性能更好,在不平衡程度较大的锂电池数据上,查准率和查全率的调和平均数(F1值)提升11.7%;在锂电池数据集和UCI数据集上的训练耗时缩短,减少幅度超过10倍;证明在样本不平衡情况下,使用SPP-SVM算法能够有效抑制分离超平面偏移,提升识别效果.
