针对电力机车牵引变流器中故障率最高的单相脉宽调制(pulse width modulation,PWM)整流器,提出一种流形学习算法融合多域特征的故障诊断方法。根据整流器在不同工作状态下的时域、频域和时频域特征构建多域特征向量;采用Hessian局部线...针对电力机车牵引变流器中故障率最高的单相脉宽调制(pulse width modulation,PWM)整流器,提出一种流形学习算法融合多域特征的故障诊断方法。根据整流器在不同工作状态下的时域、频域和时频域特征构建多域特征向量;采用Hessian局部线性嵌入(Hessian local linear embedding,HLLE)算法融合多域特征,根据故障样本数和聚类结果,解决高维数据中固有维数和最近邻数选取困难的问题,得到用于描述故障特征的最优低维特征向量,减少特征之间的冲突和冗余;采用支持向量机进行模式识别,实现对整流器的故障诊断。结果表明:对不同的输出电压,不同的训练和测试比,15种故障模式均具有较高的诊断率。与其他方法相比,本文方法具有较好的融合效果和较强的鲁棒性。展开更多
针对局部线性嵌入算法(Local Linear Embedding,LLE)短路、离群点影响大和结构信息缺乏等问题,提出基于Kernel Rank-order距离的重构权重局部线性嵌入算法(Reconstruction weight Local Linear Embedding algorithm based on Kernel Ran...针对局部线性嵌入算法(Local Linear Embedding,LLE)短路、离群点影响大和结构信息缺乏等问题,提出基于Kernel Rank-order距离的重构权重局部线性嵌入算法(Reconstruction weight Local Linear Embedding algorithm based on Kernel Rank-order distance,KRLLE)。用核函数将样本点映射到高维使其更加线性可分,进而获得较好的近邻点集;计算重构权重系数进而得到加权重构权重,重构权重系数根据两点间相关性越大对重构贡献越大的特性来减小离群点的影响,并利用两点间的欧氏距离与测地线距离之比有效地将短路点排除在外;根据加权重构权重得到低维嵌入坐标。在ORL、Yale人脸库和MNIST手写体数据库上的实验表明,KRLLE对离群点具有更好的鲁棒性并且由于增加了结构信息,识别率得到了提高。展开更多
详细介绍了一种新的机器学习的方法——流形学习。流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数并进行维数约简,近年来越来越受到机器学习和认知科学领域的研究者的重视。目前已经出现了很多有效的流形...详细介绍了一种新的机器学习的方法——流形学习。流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数并进行维数约简,近年来越来越受到机器学习和认知科学领域的研究者的重视。目前已经出现了很多有效的流形学习算法,如等度规映射(ISOMAP)、局部线性嵌套(Locally Linear Embedding,LLE)等。详细讲述了当前常用的几种流形学习算法以及在流形方面已经取得的研究成果,并对流形学习目前在各方面的应用作了较为细致的阐述。最后展望了流形学习的研究发展趋势,且提出了流形学习中仍需解决的关键问题。展开更多
基金Supported by National Natural Science Foundation of China（61071131,61271388） Natural Science Foundation of Beijing（4122040）+1 种基金 Research Project of Tsinghua University（2012Z01011） Doctoral Fund of Ministry of Education of China（20120002110036）
文摘针对电力机车牵引变流器中故障率最高的单相脉宽调制(pulse width modulation,PWM)整流器,提出一种流形学习算法融合多域特征的故障诊断方法。根据整流器在不同工作状态下的时域、频域和时频域特征构建多域特征向量;采用Hessian局部线性嵌入(Hessian local linear embedding,HLLE)算法融合多域特征,根据故障样本数和聚类结果,解决高维数据中固有维数和最近邻数选取困难的问题,得到用于描述故障特征的最优低维特征向量,减少特征之间的冲突和冗余;采用支持向量机进行模式识别,实现对整流器的故障诊断。结果表明:对不同的输出电压,不同的训练和测试比,15种故障模式均具有较高的诊断率。与其他方法相比,本文方法具有较好的融合效果和较强的鲁棒性。
文摘针对局部线性嵌入算法(Local Linear Embedding,LLE)短路、离群点影响大和结构信息缺乏等问题,提出基于Kernel Rank-order距离的重构权重局部线性嵌入算法(Reconstruction weight Local Linear Embedding algorithm based on Kernel Rank-order distance,KRLLE)。用核函数将样本点映射到高维使其更加线性可分,进而获得较好的近邻点集;计算重构权重系数进而得到加权重构权重,重构权重系数根据两点间相关性越大对重构贡献越大的特性来减小离群点的影响,并利用两点间的欧氏距离与测地线距离之比有效地将短路点排除在外;根据加权重构权重得到低维嵌入坐标。在ORL、Yale人脸库和MNIST手写体数据库上的实验表明,KRLLE对离群点具有更好的鲁棒性并且由于增加了结构信息,识别率得到了提高。
文摘详细介绍了一种新的机器学习的方法——流形学习。流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数并进行维数约简,近年来越来越受到机器学习和认知科学领域的研究者的重视。目前已经出现了很多有效的流形学习算法,如等度规映射(ISOMAP)、局部线性嵌套(Locally Linear Embedding,LLE)等。详细讲述了当前常用的几种流形学习算法以及在流形方面已经取得的研究成果,并对流形学习目前在各方面的应用作了较为细致的阐述。最后展望了流形学习的研究发展趋势,且提出了流形学习中仍需解决的关键问题。
基金the 2008 Project of Scientific Research Foundation for the Returned Overseas Chinese Scholars(2008年教育部留学回国人员科研启动基金)the Science-Technology Project of Guangdong Province of China under Grant No.2007B030803006(广东省科技攻关项目)the Science-Technology Project of Hubei Province of China under Grant No.2005AA101C17(湖北省科技攻关项目)
