一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法

    公开(公告)号:CN110348468A

    公开(公告)日:2019-10-18

    申请号:CN201910388451.X

    申请日:2019-05-10

    Applicant: 辽宁大学

    Abstract: 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法,包括以下步骤:(1)信号采样;(2)降噪处理;(3)特征提取;(4)故障诊断划分;(5)机械设备状态诊断。本发明使用两种核函数权重相加的方式代替原来单一核函数单独作用,改进相关向量机。在Fisher准则和最大熵准则共同作用下求解输入样本映射到特征空间中的方差,确定核函数权重系数。由求得的权重系数,初始化参数,估计超参数,最后得到滚动轴承亚健康识别分类。本发明解决边缘降噪自动编码器约束条件有限、数据压缩能力弱、重构误差大,特征数据表达能力弱的问题,提出了一种了识别准确率高的一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法。

    一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法

    公开(公告)号:CN110348468B

    公开(公告)日:2023-01-20

    申请号:CN201910388451.X

    申请日:2019-05-10

    Applicant: 辽宁大学

    Abstract: 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法,包括以下步骤:(1)信号采样;(2)降噪处理;(3)特征提取;(4)故障诊断划分;(5)机械设备状态诊断。本发明使用两种核函数权重相加的方式代替原来单一核函数单独作用,改进相关向量机。在Fisher准则和最大熵准则共同作用下求解输入样本映射到特征空间中的方差,确定核函数权重系数。由求得的权重系数,初始化参数,估计超参数,最后得到滚动轴承亚健康识别分类。本发明解决边缘降噪自动编码器约束条件有限、数据压缩能力弱、重构误差大,特征数据表达能力弱的问题,提出了一种了识别准确率高的一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法。

    一种局部加权的不完整数据混杂聚类方法

    公开(公告)号:CN107766887A

    公开(公告)日:2018-03-06

    申请号:CN201710993558.8

    申请日:2017-10-23

    Applicant: 辽宁大学

    CPC classification number: G06K9/6223 G06N3/126

    Abstract: 本发明涉及一种局部加权的不完整数据混杂聚类方法,其步骤如下:(1)收集数据;(2)数据处理:随机使部分数据缺少部分属性,变成不完整数据;(3)数据估算:利用改进的遗传算法中的个体对缺失数据进行估算;(4)聚类分析:对估算的数据进行模糊聚类分析;本发明提出了一种改进的遗传算法优化局部加权的不完整数据混杂聚类算法(GLW-FCM),达到搜索全部问题空间找到最优解的目的。使用UCI标准测试数据集包括:Iris、Bupa、Wine和Breast。将本文所提出的算法与其他五种算法在Matlab环境下做对比实验分析,改进后的算法在整个问题空间隐含了并行性进行搜索最佳解,获得了更加理想的聚类结果。有效降低了平均误分数、平均错误分类标准差和平均迭代终止次数。

Patent Agency Ranking