摘 要

Abstract II

第1章 绪论 1

1.1 引言 1

1.2 国内外研究现状 1

1.2.1 油液在线监测的现状 1

1.2.2 支持向量机的研究现状 1

1.2.3 不均衡数据下支持向量机的研究现状 1

1.3 论文结构 2

第2章 理论基础 3

2.1 油液数据指标 3

2.1.1 粘度 3

2.1.2 水分含量 3

2.1.3 密度 3

2.1.4 颗粒浓度 3

2.1.5 介电常数 3

2.2 非线性规划 3

2.2.1 非线性规划的基本概念 4

2.2.2 凸函数与凸规划 6

2.2.3 无约束非线性规划的最优性条件 7

2.2.4 最速下降法 7

2.2.5 约束非线性规划的最优性条件 8

2.3 统计机器学习 10

2.4 感知机 11

2.4.1 感知机模型 11

2.4.2 感知机学习策略与算法 12

2.5 支持向量机 13

2.5.1 线性可分支持向量机 13

2.5.2 线性支持向量机 14

2.5.3 核方法与非线性支持向量机 15

2.5.4 序列最小最优化算法(SMO) 17

2.5.5 支持向量 18

2.6 数据的不均衡现象及其对支持向量机的影响 19

第3章 程序与预测结果 21

3.1 应用SMO算法对原始数据的预测 21

3.2 应用SMO算法对欠抽样数据的预测 25

第4章 总结与展望 31

4.1 结论 31

4.2 全文内容总结 31

4.3 本文创新点 31

4.4 展望 31

参考文献 33

致谢 34

摘 要

本文在研究多元油液数据趋势预测的相关内容时，采用的模型是支持向量机，在标准的支持向量机模型中，通常对均衡的数据集预测的效果很好，而由于获取表示故障的数据难度较大导致正常数据远多于故障数据。针对这种数据不均衡现象对支持向量机的预测产生的影响，本文采用的方法是适当更改数据集，使不均衡数据的影响得以减弱，并将预测效果最为理想的那一次实验作为最终结果。本文在完成相应编程环节采用的编程语言是Python2，搭载的运行环境是Anaconda2，它们的优势是代码简洁，集成众多优秀开源函数库，使得编程较为便利。

论文以油液数据预测与分析为主题主要进行了以下几项研究。首先，考虑到支持向量机模型一经提出后，即可转化为非线性规划问题来求解，因此先引入一些非线性规划的基本概念和一些重要结论，并完成对重要结论的证明。其次，叙述支持向量机模型的基本概念以及利用数学规划中的结论来建立支持向量机重要结论做出证明。然后，叙述不均衡数据的现象及其对应策略，其中本文选择的方法是对多数类的数据样本进行欠抽样，以消除数据不均衡对预测的影响。最后编写程序对多元油液在线监测数据做出预测。并按照上一小节的方法更改数据集，验证不均衡数据对支持向量机预测效果的影响。

研究结果表明，不均衡数据对支持向量机预测效果有较大影响；欠抽样方法能有效减弱数据不均衡性的影响，可将预测效果做好的作为最终结果。

关键词：支持向量机；不均衡数据；油液监测；数据趋势预测

Abstract

In this paper, the support vector machine (SVM) is used in the model of support vector machine (SVM). The results of the forecasting of the data set are usually very good, and the data of the fault Difficulty to cause the normal data is much more than the fault data. In view of the influence of this data imbalance on the prediction of SVM, the method adopted in this paper is to change the data set appropriately, so that the influence of unbalanced data is weakened, and the experiment with the best predictive effect is taken as the final result. The programming language used in this paper is Python2, and the running environment is Anaconda2. Their advantage is that the code is concise and integrated with many excellent open source libraries, which makes programming more convenient.

In this paper, the following studies were carried out on the basis of oil data prediction and analysis. First, considering that the support vector machine model is proposed, it can be transformed into a nonlinear programming problem. Therefore, some basic concepts and some important conclusions of nonlinear programming are introduced, and the proof of important conclusions is completed. Secondly, it describes the basic concepts of support vector machine model and the conclusion from the conclusion of mathematical programming to establish the support vector machine. Then, the phenomenon of unbalanced data and its corresponding strategy are described. The method chosen in this paper is to sample the majority of the data samples to eliminate the influence of data imbalance on the forecast. Finally, the preparation of the program on the multi-oil online monitoring data to make predictions. And follow the previous section to change the data set to verify the impact of unbalanced data on the predictive effect of support vector machines

The results show that the unbalanced data can greatly affect the