支持向量机在监测系统中的智能信息处理技术

支持向量机（Support Vector Machine，SVM）是一种从少量样本中提取分类信息的机器学习方法。它是一种新型的机器学习方法，克服了传统神经网络在实际应用中存在网络结构难于确定、过学习或欠学习以及局部极小等问题，在模式识别、图像处理、回归分析等方面得到了广泛应用，在数据挖掘、非线性系统建模和控制等领域中展现出了广泛的应用前景。这一理论基础坚实、数学推导严密，在解决小样本、非线性以及高维模式识别问题中显示了无法比拟的优越性。

SVM分类器的设计包括核函数的选取、分类器的设计、训练过程与测试三个过程。

1）核函数的选取：支持向量机的基本思想是使用简单的线性分类器划分样本空间。对于在当前特征空间中线性不可分的模式，则使用一个核函数把样本映射到一个高维空间中，使得样本能够线性可分，例如磨粒分类问题就属于线性不可分模式。常用的核函数为线性核函数、多项式核函数和高斯径向基函数等。

2）分类器的设计：最基本的支持向量机是用于2类问题分类的。对于多类模式识别，支持向量机通常有2种机制：一是“一对一”策略，即一个分类器只用来区分2类问题，通过若干分类器的组合，完成多类识别；二是“一对多”策略，即一个分类器把每一类样本与其他各类区分开来。

3）训练与测试：SVM分类方法存在着算法复杂难以实现训练、算法速度慢以及在实例测试时运算量大等问题。因此，SVM方法如何高效地进行训练和测试成为该分类方法的关键所在。

支持向量机的理论最初来自对数据分类问题的处理。SVM考虑寻找一个超平面，以使训练集中属于不同分类的点正好位于超平面的不同侧面，并且还要使这些点距离该超平面尽可能远，即寻找一个超平面，使其两侧的空白区域最大。

下面举例来说明：

监测系统的训练样本集中的每个样本都属于两类（ω₁和ω₂）中的一个类，相应的标记为y_i=±1。线性判别函数可表示为(www.xing528.com)

决策规则如下：

对于所有的i，若则各训练样本均被正确分类^[8]。

参考文献^[9]将支持向量机应用到油液磨粒的监测系统中。其中，主要是在发动机油液监测系统中，运用支持向量机法对油液中的磨粒进行分类识别。系统主要由磨损模拟部分（摩擦磨损试验机）、油路部分（微量泵、微流控芯片、节流阀、紊流器和过滤器）和图像采集处理部分（显微镜、摄像头图像采集卡、计算机硬件和分析软件）组成。

由于各种磨损形式的磨损机制不同，形成的特征磨粒也不相同。可分为粘着磨损：正常滑动磨粒、严重滑动磨粒；磨料磨损：切削磨粒；疲劳磨损：疲劳剥块、球状磨粒、层状磨粒；腐蚀磨损：红色氧化物微粒、黑色氧化物微粒、亚微米级腐蚀微粒。

利用训练好的支持向量机对磨粒库中的150个测试样本进行磨粒分类。实验结果表明，SVM分类器的推广能力很强。并且，将SVM与最近邻法相结合，可以减少SVM分类器训练的规模，提高分类速度。

随着对SVM研究的不断深入，基于SVM思想的一些模型和方法被广泛应用于各个领域，主要包括：模式识别方面，如人脸识别、字符识别、笔迹鉴别、文本分类、语音鉴别、图像识别、图像分类、图像检索等；回归估计方面，如非线性系统估计、预测预报、建模与控制等；以及网络入侵检测、邮件分类、数据挖掘和知识发现、信号处理、金融预测、生物信息等领域。