自适应邻域构造流形学习算法及故障降维诊断*
2017-01-09张晓涛唐力伟邓士杰
张晓涛, 唐力伟, 王 平, 邓士杰
(军械工程学院火炮工程系 石家庄,050003)
自适应邻域构造流形学习算法及故障降维诊断*
张晓涛, 唐力伟, 王 平, 邓士杰
(军械工程学院火炮工程系 石家庄,050003)
针对流形学习算法中近邻构造问题,提出一种自适应邻域构造方法,该方法基于马氏距离计算样本间相似系数,由相似系数均值确定初始近邻数,根据样本高斯核概率密度估计调整近邻数,并将自适应邻域构造方法用于改进的主成分分析联合局部保持投景(principal component analysis-locality preserving projections,简称PCA-LPP)流形学习算法中。通过齿轮箱故障类型识别对其特征降维性能进行验证,结果表明,自适应邻域PCA-LPP方法比传统的k近邻方法及原始无处理的特征识别率都高,可以达到94.67%。
自适应; 邻域; 高斯核概率估计; 流形学习; 故障诊断
引 言
流形学习算法是一类非常有效的非线性数据降维算法[1],在很多具体的流形学习算法实现中,诸如局部保持投影(locality preserving projection, 简称LPP)[2]、拉普拉斯映射(Laplacian eigenmap,简称LE)[3]都需要先构造数据样本近邻图。传统的近邻图构造主要是k近邻和ε近邻两种方法[4],其主要缺点在于各个样本的近邻数需要人为经验确定,且所有样本采用相同的近邻数,不能针对样本自身的邻域分布情况进行数据调整。自适应邻域的思想主要是基于样本周围一定范围数据分布的情况,按照预设规则自动确定邻域大小。目前常用的自适应邻域构造思想主要基于欧氏距离或者余弦夹角距离计算相似系数,并根据相似系数的分布设定阈值自适应求取近邻数,这样的方法多用于图像处理及人脸识别研究中。……
