我想了解更多关于使用小波包分解、特征选择和 SVM 的故障检测模型。可以在这里阅读一些相关论文：
http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=4547208
https://mospace.umsystem.edu/xmlui/bitstream/handle/10355/4845/research.pdf?sequence=3
我的问题是在“特征选择”步骤中，我们需要选择小波包节点（及其计算的 rms 值）作为最终 SVM 分类器的特征。在 SVM 中，我们还需要知道每个向量的标签 (+1, -1)，但是我们如何在特征选择过程中获得这个标签。我真的不太了解使用 10 倍 SVM 的遗传算法（GA），如上述论文。任何人都可以向我解释这一点吗？
在列出的论文中，作者试图通过仅使用来自具有相对较低 EMI 噪声的频带的数据包训练 SVM 来最小化分类器中的噪声量。因此，他们将遗传算法纳入其特征选择步骤，如下所示：
首先，在这种情况下，遗传算法将是一堆 0 和 1，其长度等于您特定问题的频带数。每个“槽”（在遗传算法中实际上称为“基因”）对应于您在训练分类器时是否应该使用来自该频带的数据。
因此，如果您为数据使用总共 10 个频带，则每个个体或染色体（一组插槽/基因）的大小将是 10，并且看起来像这样（只是一堆 10 个 1s/0s）
0110101000
所以你从生成一整串随机染色体开始，一整串有多少？这取决于您的问题，并且肯定需要一些努力来确定...我建议根据您的硬件能力从几百到几百万尝试这个值。
好的，现在你有了随机的 0 和 1 串，那又如何呢？
好吧，这是有趣的部分，您需要评估这些染色体中的每一个在为您选择数据时（单独/一次一个）的能力，因此对于每个染色体，您循环遍历数据并训练您的 SVN当且仅当该特定染色体在与该数据包的频带相对应的位置具有“1”时，数据包。
换句话说，如果您有一个示例染色体：1000000001，并假设您收到一个对应于第一个频带的数据包，您会将其接受到您的 SVN 训练集中。如果您收到该染色体第 5 个频带的数据包，则将其丢弃。
由于 GA 仅用于特征选择步骤，现在您只需查看染色体“接受”的数据包数据，并使用此数据正常训练您的 SVN（而不是整个训练数据集）。然后，您根据使用此数据训练的 SVN 计算误差，并根据染色体的好坏为染色体分配一个分数。
在对所有染色体重复此操作后，您现在拥有每个染色体的列表以及生成的 SVN 在分类方面的表现。然后，您保存您有史以来表现最好的染色体，并执行遗传算法步骤来创建一批全新的染色体。这个想法是，通过结合前面步骤中表现良好的染色体，您可以获得一些甚至更好的染色体来为您的 SVN 选择数据。你只需重复这个评估/重组程序，直到你没有看到新染色体的表现比你一直以来的最好。
有道理？