李伟伟，王 莉，张 琳，刘 进

（1.空军工程大学防空反导学院，陕西 西安 710051；2.解放军95425部队，云南 曲靖 655000）

0 引言

支持向量机（SVM）是基于统计学习理论的新学习方法［1］，最初用于解决二值分类问题，但现实中多分类问题居多。因此，将二值分类算法推广到多分类领域是当前SVM 研究的重要内容之一［2］。SVM 的多分类扩展策略主要分两大类：一是整体优化法，将所有SVM 参数优化在一个公式中，该方法求解复杂，解决多分类问题很少应用；二是组合学习法，将SVM 按不同策略组合成多类分类器，例如一对多法、一对一法、决策导向无环图法和二叉树法等［3］。一对多法运算量过大，一对一法所需SVM数目过多，决策导向无环图法存在决策偏好的问题，二叉树法结构的设计会影响多类分类器的分类精度［4］。

目前，对于二叉树支持向量机算法结构设计的问题已有一定研究。文献［5-6］根据各类样本在高维特征空间的分布情况设计分类顺序，分布范围广的类型首先被识别，就是先把样本空间中最容易识别的类型识别出来。另外，一种依赖类别优先级的多类分类器可根据各类型发生频率的高低排序确定二叉树的结构，即发生概率较高的类别先被识别出来。但上述算法仅考虑了某一种影响因子对分类精度的影响，不够客观、全面，因此分类器的结构不能使分类精度达到最优。本文针对上述问题，提出了将AHP和二叉树SVM 相结合的多故障分类算法。

1 AHP和二叉树SVM 的基本原理

1.1 AHP

层 次 分 析 法（Analytic Hierarchy Process，AHP）是美国著名运筹学家Satty 等人于20 世纪70年代提出的一种定性与定量分析相结合的多准则决策分析方法。……