Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
An adaptive multiple kernel method-based support vector machine used for classication
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Drift, underhåll och akustik.
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Drift, underhåll och akustik.
Luleå tekniska universitet, Institutionen för samhällsbyggnad och naturresurser, Drift, underhåll och akustik.ORCID-id: 0000-0002-4107-0991
2013 (Engelska)Ingår i: International Journal of Condition Monitoring, ISSN 0019-6398, E-ISSN 2047-6426, Vol. 3, nr 1, s. 8-15Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Classification is an important technique used for condition monitoring. Extensive research has been carried out on classification and numerous techniques have been developed. The support vector machine (SVM) is one of these techniques; it has excellent classification capacity and is widely used. The effectiveness of the SVM depends on the selection of the kernel function, so to maximise performance this paper proposes using an adaptive multiple kernel SVM (AMK-SVM). Using AMK, many heterogeneous features, such as continuous, categorical, logical etc, can be merged. Instead of predefining the parameters of kernel functions as with other multiple kernel SVMs, this method can adapt its parameters to data automatically through kernel alignment. The paper offers two numerical examples: one with benchmarking data to test the feasibility and performance of the approach (for this case a two-layer neural network and two single kernel SVMs are applied to the same datasets to compare their performance with the AMK-SVM); the other example uses the AMK-SVM to discriminate a healthy bearing from a defective bearing

Ort, förlag, år, upplaga, sidor
2013. Vol. 3, nr 1, s. 8-15
Nationell ämneskategori
Annan samhällsbyggnadsteknik
Forskningsämne
Drift och underhållsteknik
Identifikatorer
URN: urn:nbn:se:ltu:diva-9182DOI: 10.1784/204764213806173367Lokalt ID: 7bedcc20-3421-4f03-9d51-15a7b15b06f6OAI: oai:DiVA.org:ltu-9182DiVA, id: diva2:982120
Anmärkning
Validerad; 2013; 20131202 (yuafuq)Tillgänglig från: 2016-09-29 Skapad: 2016-09-29 Senast uppdaterad: 2017-11-24Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltext

Personposter BETA

Fuqing, YuanKumar, UdayGalar, Diego

Sök vidare i DiVA

Av författaren/redaktören
Fuqing, YuanKumar, UdayGalar, Diego
Av organisationen
Drift, underhåll och akustik
I samma tidskrift
International Journal of Condition Monitoring
Annan samhällsbyggnadsteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 56 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf