1.一种基于混合核RVM的电子装备状态预测方法,其特征在于所述方法包括如下步骤:
将采集的装备原始数据划分为训练数据和测试数据两部分;
将训练数据送入混合核RVM模型中进行训练,通过混合核函数的构造将训练数据映射至高维特征空间之中,对RVM模型中的超参数a和噪声方差σ2进行迭代更新,求解最优权重分布,当达到收敛精度要求时,混合核RVM模型训练结束;
将测试数据送入训练好的混合核RVM模型之中进行预测,得到装备的预测输出数据;
将预测输出数据送入模糊SVDD状态评估模型之中进行评估,从而得到装备的健康度预测值。
2.如权利要求1所述的基于混合核RVM的电子装备状态预测方法,其特征在于,所述混合核RVM模型的构造方法如下:
1)构造混合核函数;
2)通过混合核函数构造混合核RVM模型。
3.如权利要求2所述的基于混合核RVM的电子装备状态预测方法,其特征在于所述的混合核函数的构造方法如下:
假设核函数由M个核线性组成,其中任意一个核km均对应某一Hilbert空间Hm及相应内积运算<·,·>m,对于dm∈[0,1],任一k(x,x)=dmkm(x,x)则对应某一Hilbert空间H′m,其内积运算为:
有:
根据再生核的性质,可知H′m亦为再生核Hilbert空间;定义混合核的核空间H为H′m空间的直和,则核空间H也是定义在核函数下的再生核Hilbert空间;混合核函数的组合形式为:
式中,为混合核的权重系数,且
4.如权利要求2所述的基于混合核RVM的电子装备状态预测方法,其特征在于所述的通过混合核函数构造混合核RVM模型的构造方法如下:
将混合核函数代入RVM模型表达式中,得到混合核RVM模型的输出为:
同时对基函数矩阵进行更新,从而得到基于混合核的RVM预测模型。
5.如权利要求4所述的基于混合核RVM的电子装备状态预测方法,其特征在于所述的RVM模型表达式的构造方法如下:
给定训练样本集t=[t1,t2,…,tN]T为目标函数值,其中xi∈Rd,ti∈R,d为输入变量的维数;假设目标值采样时附带误差εi,则RVM模型的输出定义为:
式中k(x,xi)为核函数。
6.如权利要求4所述的基于混合核RVM的电子装备状态预测方法,其特征在于所述的核函数k(x,xi)的构造方法如下:
其中表示特征空间中任意样本。
7.如权利要求4所述的基于混合核RVM的电子装备状态预测方法,其特征在于所述的RVM模型的超参数a和噪声方差σ2的构造方法如下:
设随机变量x、θ的联合分布密度为p(x,θ),它们的边际密度分别为p(x)和p(θ);设x为观测向量,θ为模型的超参数向量,通过观测向量来获得未知参数向量的估计,则贝叶斯定理为:
其中,p(θ)为θ的先验分布;
在稀疏贝叶斯框架下,假设εi服从独立的均值为0,方差为σ2的高斯分布,即εi~N(0,σ2),则p(ti|x)=N(ti|y(xi;w),σ2),因此训练样本集的似然函数可表示为:
其中,t=(t1,t2,…,tN)T,w=(w0,w1,…,wN)T,φ为一个N×(N+1)的基函数设计矩阵,即其第i(i≤N)行可表示为:
由结构风险最小化原则可知,直接最大化该似然函数来估计w与σ2通常会使得w中元素大部分均不为0,从而导致模型过拟合;假设权值wi服从均值为0,方差为的先验高斯正态分布,则:
式中,α=(α0,α1,…,αN)T为决定权值wi先验分布的超参数向量;
由于高斯正态分布方差倒数的共轭分布为Gamma分布,因此,假设α与σ2的超先验概率分布分别为:
p(σ-2)=Gamma(σ-2|c,d)
且满足:
Gamma(α|a,d)=Γ(a)-1baαa-1e-ba
其中
为使a与σ2的超先验概率分布不提供先验信息,假定a=b=c=d=0,此时可获取一致的超先验分布;由此可得:
若已知模型参数的先验概率分布,根据贝叶斯公式可得训练样本集的后验概率为:
假设待测样本为x*,则相应的预测值t*的分布为:
p(t*|t)=∫p(t*|w,α,σ2)p(w,α,σ2|t)dwdαdσ2
由于模型参数的后验分布p(w,α,σ2|t)不能直接通过积分获得,可采用贝叶斯定理将其分解为:
p(w,α,σ2|t)=p(w|t,α,σ2)p(α,σ2|t)
由于p(t|α,σ2)=∫p(t|w,σ2)p(w|α)dw可以通过积分得到,即:
因此权值向量w的后验概率分布p(w|t,α,σ2)可表示为:
其均值和方差分别为:
μ=σ-2∑φTt
∑=(A+σ-2φTφ)-1
且A=diag(α0,α1,…,αN);
超参数a的后验概率分布p(α,σ2|t)无法由解析公式给出,而是通过一个delta函数近似表示:
最大化p(α,σ2|t)∝p(t|α,σ2)p(α)p(σ2)即可得出αMP和
其中,p(t|a,σ2)被称为边缘似然分布,只需最大化该边缘似然分布就可得到αMP和
对式两边取对数,可得超参数的对数似然分布为:
将上式分别对α和σ2求偏微分并令其等于0,得:
γi≡1-αi∑ii
其中,μi为后验概率分布均值μ=σ-2∑φTt的第i个权重;∑ii为后验概率分布方差∑=(A+σ-2φTφ)-1的第i个对角线元素;
通过式和的迭代更新即可逼近αMP和实现超参数的优化求解。