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
局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability informatio...局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability information entropy-LLE,PIE-LLE)。首先,为了使邻域点选择更加合理,从数据集的概率分布角度出发,考虑样本点及其邻域的概率分布,为样本点构造符合局部分布的邻域集合。其次,为了充分提取样本的局部结构信息,在权重构造阶段,分别计算样本所属邻域概率以及每个样本的信息熵,融合二者信息重构低维样本。最后,在两个轴承故障数据集上的实验表明,所提方法故障识别准确度最高达到了100%,高于其他对比算法;在邻域点个数5~15范围内,PIE-LLE算法展现出良好的低维可视化效果;在参数敏感性实验中,该算法可以保持Fisher指标较大,有效提高了算法的分类准确度和稳定性。展开更多
LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理...LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.展开更多
鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归（parti...鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归（partial least squares regression,PLSR）与支持向量回归（support vector regression,SVR）建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法（principal component analysis,PCA）与非线性降维局部线性嵌入（locally linear embedding,LLE）对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。展开更多
苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相...苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。展开更多
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。
文摘局部线性嵌入算法采用欧氏距离选择邻域点,这通常会损失数据集本身的非线性特征,造成邻域点选取错误,且仅使用欧氏距离构造权重会导致信息挖掘不充分。针对以上问题,提出基于概率模型与信息熵的局部线性嵌入算法(Probability information entropy-LLE,PIE-LLE)。首先,为了使邻域点选择更加合理,从数据集的概率分布角度出发,考虑样本点及其邻域的概率分布,为样本点构造符合局部分布的邻域集合。其次,为了充分提取样本的局部结构信息,在权重构造阶段,分别计算样本所属邻域概率以及每个样本的信息熵,融合二者信息重构低维样本。最后,在两个轴承故障数据集上的实验表明,所提方法故障识别准确度最高达到了100%,高于其他对比算法;在邻域点个数5~15范围内,PIE-LLE算法展现出良好的低维可视化效果;在参数敏感性实验中,该算法可以保持Fisher指标较大,有效提高了算法的分类准确度和稳定性。
文摘LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.
文摘鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归（partial least squares regression,PLSR）与支持向量回归（support vector regression,SVR）建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法（principal component analysis,PCA）与非线性降维局部线性嵌入（locally linear embedding,LLE）对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。
文摘苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。
