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
局部保持投影算法的性能主要依赖于构造的最近邻图,而构造最近邻图时容易受到原始数据冗余信息的干扰,以及没有良好的依据选择合适的热核参数带来的影响,导致不能充分挖掘高维数据的局部结构信息,在低维嵌入过程中也易对噪声和异常值较...局部保持投影算法的性能主要依赖于构造的最近邻图,而构造最近邻图时容易受到原始数据冗余信息的干扰,以及没有良好的依据选择合适的热核参数带来的影响,导致不能充分挖掘高维数据的局部结构信息,在低维嵌入过程中也易对噪声和异常值较为敏感,影响其在故障诊断应用中的特征提取能力。针对以上问题,提出基于收缩自编码器和流形排序的局部保持投影算法(Locality Preserving Projections algorithm based on Contractive Auto-Encoder and Manifold Ranking,CAE-MRLPP),并用于机械设备故障诊断。首先,将样本标签信息和斯皮尔曼相关系数结合,预调整样本间距;其次,引入流形排序思想,根据样本点与邻域点在彼此邻域集中的排序位置信息以及二者的互邻个数信息来构造权重;最后,将收缩自编码器与基于流形排序的局部保持投影相融合,通过梯度下降法迭代优化求解出最优的投影矩阵,进而得到故障数据的低维表示。分别在滚动轴承数据集和抽油机数据集上进行了多项验证,故障识别准确度均在98%以上,表明该算法具有良好的特征提取能力,能够有效提高故障识别准确度,同时具有较好的鲁棒性和泛化能力。展开更多
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。
文摘局部保持投影算法的性能主要依赖于构造的最近邻图,而构造最近邻图时容易受到原始数据冗余信息的干扰,以及没有良好的依据选择合适的热核参数带来的影响,导致不能充分挖掘高维数据的局部结构信息,在低维嵌入过程中也易对噪声和异常值较为敏感,影响其在故障诊断应用中的特征提取能力。针对以上问题,提出基于收缩自编码器和流形排序的局部保持投影算法(Locality Preserving Projections algorithm based on Contractive Auto-Encoder and Manifold Ranking,CAE-MRLPP),并用于机械设备故障诊断。首先,将样本标签信息和斯皮尔曼相关系数结合,预调整样本间距;其次,引入流形排序思想,根据样本点与邻域点在彼此邻域集中的排序位置信息以及二者的互邻个数信息来构造权重;最后,将收缩自编码器与基于流形排序的局部保持投影相融合,通过梯度下降法迭代优化求解出最优的投影矩阵,进而得到故障数据的低维表示。分别在滚动轴承数据集和抽油机数据集上进行了多项验证,故障识别准确度均在98%以上,表明该算法具有良好的特征提取能力,能够有效提高故障识别准确度,同时具有较好的鲁棒性和泛化能力。
