变压器产业网

　　只有正确选择参数，才可以使SVM的分类得到比较好的效果。SVM佳参数选择目前还没有十分好的方法，一般可通过交叉试验进行求解，但这种方法相当费时；在实践中也可以采用网格搜索法来确定参数，但该方法需要人为确定参数的范围、变化步长等因素，并且识别效果也不一定理想。为了克服上述缺陷，避免参数选择的盲目性，本文使用遗传算法来实现SVM中的参数优化。

　　遗传算法GA是一种基于自然选择和自然遗传的全局优化算法。用GA对多个体组成的群体进行操作，通过GA可以使个体间的信息得以交换，这样，群体中的个体一代一代地得以优化，并逐步逼近优解。

　　GA的3个主要算子分别为：（1）选择。即根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一代群体中的概率较大；适应度较低的个体被遗传到下一代群体中的概率较小。这样就可以使群体中个体的适应度值不断接近优解。

　　（2）交叉。又称重组，是按较大的概率从群体中选择两个个体，交换两个个体的某个或某些位。交叉算子产生子代，子代继承了父代的基本特征。（3）变异。即以较小的概率对个体编码串上的某个或某些位值进行改变。

　　遗传SVM遗传SVM流程本文提出的遗传SVM模型，采用GA来优化SVM中的参数，具体过程如下：（1）系统初始化，包括参数和初始种群；（2）计算初始的目标函数值；（3）判断是否达到结束条件，若达到，则输出结果，否则转步骤（4）；（4）进行适应度值的计算、选择、交叉和变异；（5）计算子代的目标函数值，并重插子代到种群，转入步骤（3）。

　　参数选择本文采用真值编码方法，这主要是因为真值编码适合于在较大空间遗传搜索，并且改善了GA的计算复杂性，提高了运算效率。因为要优化两个参数C和σ，所以建立了一个具有40个个体，每个个体有2个变量的随机种群作为原始种群。为了避免SVM的过学习现象，将训练样本划分为正式训练和辅助训练样本，目标函数为正式训练样本集与辅助训练样本集的正判率之和。

　　在遗传搜索的初始阶段，正式和辅助训练样本集的正判率会同时增加；随着搜索的进行，正式训练样本集正判率的增加会变慢；当正式训练样本集的正判率进一步提高，辅助训练样本集的正判率减小时，就要停止遗传搜索<7>.

　　结语SVM是一种基于统计学习的理论，有较好的泛化能力，在故障诊断领域得到了越来越多的应用。本文使用遗传SVM进行变压器的故障诊断研究，用GA实现了SVM中参数的优化，该优化方法能快速准确地在大范围内找到优化值，并进一步应用到基于油中溶解气体的变压器故障诊断中。实例分析表明了本文算法的有效性以及相比其他方法的优越性。