基于隨機鄰域嵌入的機械故障特征提取方法.pdf

1、特征提取是機械故障診斷的基礎(chǔ)，如何有效地獲取故障特征信息是故障診斷領(lǐng)域的研究重點和熱點。隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，數(shù)據(jù)降維算法被引入到故障診斷領(lǐng)域用于信號的特征提取。本文針對故障診斷過程故障數(shù)據(jù)高維數(shù)、非線性化、復(fù)雜性等特點，研究基于隨機鄰域嵌入的機械故障特征提取方法，相關(guān)工作如下:
　　針對歐氏距離在高維數(shù)據(jù)空間中不能提供較大的相對距離差，無法明顯體現(xiàn)高維數(shù)據(jù)對象之間差異性的問題，提出一種基于Manhattan距離的隨機鄰域嵌

2、入(Manhattan-SNE)算法。采用Manhattan距離衡量高維數(shù)據(jù)對象之間的相異度，得到高維空間和低維空間數(shù)據(jù)對象之間相似度的條件概率。UCI數(shù)據(jù)集和仿真故障信號分類識別驗證所提改進算法的有效性。
　　針對隨機鄰域嵌入算法無法利用現(xiàn)實數(shù)據(jù)中少量樣本標(biāo)記信息的問題，提出一種基于拉普拉斯正則化度量學(xué)習(xí)的半監(jiān)督隨機鄰域嵌入(semi-supervised SNE，ss-SNE)算法。采用拉普拉斯正則化度量學(xué)習(xí)對距離矩陣進行半監(jiān)

3、督學(xué)習(xí)，利用已標(biāo)記數(shù)據(jù)提供的信息，重新刻畫數(shù)據(jù)點之間的距離，從而實現(xiàn)SNE算法的半監(jiān)督改進。與其他半監(jiān)督降維算法的對比分析表明所提改進算法的優(yōu)越性。
　　隨機鄰域嵌入算法是一種批處理方法，無法獲取高維空間到低維嵌入空間的映射函數(shù)，由此導(dǎo)致該算法無法對新增數(shù)據(jù)進行增量式處理。本文構(gòu)造一種隨機鄰域嵌入算法的增量形式（增量SNE算法），尋找新增樣本點的K近鄰，使得新增樣本的K近鄰的分布形式和K近鄰對應(yīng)的低維映射的分布形式盡可能匹配，實現(xiàn)