-
题名面向类不均衡数据的多任务博弈概率分类向量机
被引量：1
- 1
-
-
作者
潘海洋
李丙新
郑近德
童靳于
-
机构
安徽工业大学机械工程学院
-
出处
《机电工程》
CAS
北大核心
2024年第3期430-437,共8页
-
基金
国家自然科学基金资助项目(51975004)
安徽省高校自然科学研究重点项目(2022AH050292)
牵引动力国家重点实验室开放课题(TPL2311)。
-
文摘
在工程实际中获取的故障样本往往会呈现不均衡特点,同时传统的分类模型也会存在局限性。针对这些问题,基于稀疏贝叶斯理论、模糊隶属度等理论,提出了一种多任务博弈概率分类向量机(MGPCVM)分类方法。首先,在MGPCVM的目标函数中,设计了博弈因子,将不同类样本质心间的博弈信息赋予每个样本特定的样本质心敏感值,以解决传统分类器对不平衡数据集分类表现较差的问题;然后,在贝叶斯框架理论下,采用截断高斯先验分布的方法,使样本参数的正负与对应的标签信息相一致,且使样本质心敏感值产生了稀疏估计;最后,将MGPCVM方法应用于两种不同实验平台采集的滚动轴承实验数据处理,进行了故障诊断有效性验证。研究结果表明:在不同的不平衡比(IR)下,MGPCVM方法的准确率均保持在95%以上,相对于支持向量机(SVM)、概率分类向量机(PCVM)等方法提升了4%~8%;与典型向量式分类方法相比,MGPCVM方法可以在不平衡数据条件下表现出优越的分类性能,适用于实际工况中数据失衡的分类问题。
-
关键词
滚动轴承
故障诊断
多任务博弈概率分类向量机
支持向量机
概率分类向量机
不均衡比
故障分类模型
-
Keywords
rolling bearing
fault diagnosis
multitask game probabilistic classification vector machine(MGPCVM)
support vector machine(SVM)
probabilistic classification vector machine(PCVM)
imbalance ratios(IR)
fault classification model
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
-
题名基于稀疏贝叶斯模型的特征选择
被引量：4
- 2
-
-
作者
祝璞
黄章进
-
机构
中国科学技术大学计算机科学与技术学院
中国科学技术大学安徽省计算与通信软件重点实验室
中国科学技术大学先进技术研究院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2017年第4期183-187,193,共6页
-
基金
安徽省自然科学基金(1408085MKL06)
高等学校学科创新引智计划项目(B07033)
-
文摘
通过采用稀疏贝叶斯推理方法,设计出可同时进行学习最优分类器与选取最优特征子集的特征选择概率分类向量机算法。该算法是对概率分类向量机特征选择的扩展,可提高其在高维数据集上的性能。通过选取零均值的高斯分布作为先验,在模型中起到正则项的作用,同时在核函数和特征中引入稀疏,得到泛化性更好的分类模型。在高维度和低维度数据集中的实验结果表明,该算法同时具有较好的分类和特征选择能力。
-
关键词
机器学习
核函数
稀疏贝叶斯
特征选择
概率分类向量机
自动相关性检测
-
Keywords
machine learning
kernel function
sparse Bayesian
feature selection
Probabilistic Classification Vector Machine （ PCVM ）
automatic relevance determination
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
