CN107832789B - 基于平均影响值数据变换的特征加权k近邻故障诊断方法 - Google Patents

基于平均影响值数据变换的特征加权k近邻故障诊断方法 Download PDF

Info

Publication number
CN107832789B
CN107832789B CN201711053636.2A CN201711053636A CN107832789B CN 107832789 B CN107832789 B CN 107832789B CN 201711053636 A CN201711053636 A CN 201711053636A CN 107832789 B CN107832789 B CN 107832789B
Authority
CN
China
Prior art keywords
output
value
input
miv
hidden layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711053636.2A
Other languages
English (en)
Other versions
CN107832789A (zh
Inventor
文成林
姬思雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201711053636.2A priority Critical patent/CN107832789B/zh
Publication of CN107832789A publication Critical patent/CN107832789A/zh
Application granted granted Critical
Publication of CN107832789B publication Critical patent/CN107832789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Complex Calculations (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明公开了一种基于平均影响值数据变换的特征加权K近邻故障诊断方法。本发明中MIV的计算过程是通过对***的输入值做等比例增加和减小，得到增加和减少后的数据分别作为***输入，求解其对应的***输出值。求取各个输入变量做等比例增加对应的***输出值减去各个输入变量做等比例减小对应的***输出值得到***输入的各个参变量对***输出的影响程度值及MIV值；采用多次计算求平均值的方式确定各个特征变量最终的MIV值。通过对MIV值一定的等比例放缩，将其用作K近邻方法输入数据的特征权值来进行故障诊断。通过UCI标准数据集的仿真测试，验证了本方法的有效性。

Description

基于平均影响值数据变换的特征加权K近邻故障诊断方法
技术领域
本发明属于故障诊断领域，具体涉及一种基于平均影响值数据变换的特征加权K近邻故障诊断方法。
背景技术
在现在工业生产和社会服务中，各类自动化设备越来越复杂，使得精细建模较为困难。但近年来传感器技术的发展，我们可以获得大量的监测数据。常存在着大量的高度相关的状态变量，而这些变量的瞬时采样值都反映着设备运行是否正常、***输出是否达标等关键信息。因此基于数据驱动的故障诊断方法越来越受到人们的重视。然而基于数据驱动的方法必然要面临各类变量量纲差异的问题，现有基于数据驱动的故障诊断方法有很多，像主元分析、小波变换、支持向量机等大多是在原有量纲的基础上进行故障诊断。即使进行数据标准化，同样要面临标准化之后变量之间的多样性降低，几何角度呈均匀分布等问题。这给后续数据压缩和特征提取带来了一定的难度。尽管后来提出了一些基于像信息增益、信息熵、Gini不纯度等方法求取特征权值的方法，但因其计算的复杂性，使得其实际应用较为困难。为解决上述问题，从业人员进行了大量的探索，也提出了一些方法。其中一种称为相对主元分析(Relative Principle Component Analysis，RPCA)的方法，它利用***的先验信息来引入每个变量的权重，以消除由于标准化后数据“均匀”分布造成的特征提取困难的问题，但是该方法的不足之处在于它需要来自***的大量先验信息这在实际工程应用中难以获得。MIV方法能够反映处神经网络的权重矩阵的变化情况，被认为评价神经网络输入参数相关性的最佳指标，MIV可以测定出神经网络输入神经元对输出神经元的影响权重。MIV符号代表相关的方向，绝对值大小代表影响的相对权重。
发明内容
本发明针对现有技术的不足，设计一种基于平均影响值数据变换的特征加权K近邻故障诊断方法。本方法通过运用平均影响值(MIV)算法计算经过标准化处理后各个特征分量对***输出的影响程度，根据其数值上的比例关系为各个特征变量赋权值。然后，采用UI-balance标准数据集，根据创建的机器学习故障诊断模型进行模型测试，并将其应用到智能电网信息物理***的攻击检测中。
本发明包括以下各步骤：
步骤(1)依据信号的前向传播和误差的反向传播来构建BP神经网络：
步骤(1-1)网络的初始化：
假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；各层节点的个数无统一的标准，一般是根据输入输出序列在经过多次实验来确定。输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk'，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk'。以上权重及偏置参数的初始化是随机的，在接下来的多次迭代中进行一次次的更新修正。学习速率为η，取[0.01,0.1]之间，激励函数g(x)的输出结果是[-1,1]或者[0,1]，其中激励函数g(x)有诸多形式，本方法将其取作Sigmoid函数。形式为：
Figure BDA0001453378320000021
步骤(1-2)正向传递：有了输入和初始参数以及激活函数，一个节点的输出表示如下，对应输入乘以连接隐含层的对应权值加上阈值，最后经过激活函数得到隐含层节点的一个输出，假设***输入为X＝[x1,x2,....xn]，计算表达式如下。
隐含层节点的输入：
Figure BDA0001453378320000022
隐含层节点的输出：
Figure BDA0001453378320000023
输出节点的输出：
Figure BDA0001453378320000024
其中，；i＝1,2,…,n；j＝1,2,…,l；k'＝1,2,…,m；
步骤(1-3)反向传递：误差计算，我们定义损失函数(loss function)如下：
Figure BDA0001453378320000025
以上，Y为期望输出，O为实际输出，权值更新即是隐含层和输出层权值更新。其表达式如下
Figure BDA0001453378320000031
隐含层到输出层的权值更新计算：
Figure BDA0001453378320000032
ωjk'＝ωjk'+ηHjek' (8)
输出层到隐含层的权值更新计算：
Figure BDA0001453378320000033
Figure BDA0001453378320000034
Figure BDA0001453378320000035
Figure BDA0001453378320000036
步骤(1-4)判断算法迭代是否结束，一种是迭代次数达到上限，另一种是判断相邻的两次误差之间的差别是否小于指定的值。
步骤(2)求取数据集的各输入变量对输出的MIV，MIV是用于确定输入神经元对输出神经元影响大小的一个指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性。具体计算过程如下：
Figure BDA0001453378320000037
Figure BDA0001453378320000038
Figure BDA0001453378320000041
IVi＝Oi,+-Oi,- (16)
综上，取0.1≤δ≤0.3；
Figure BDA0001453378320000042
表示所有样本的第i个特征分量分别增减δ后的矩阵；
Figure BDA0001453378320000043
表示第k'个样本数据的第i个特征分量分别增减δ后的向量；xi(k')表示第k'样本数据的第i个特征分量的值。网络训练终止后，将训练样本集
Figure BDA0001453378320000044
和
Figure BDA0001453378320000045
分别作为仿真样本利用已建成的网络进行仿真，得到两个仿真结果Oi,+和Oi,-，IVi即为样本数据中第i个变量的平均影响值。同理可求得样本数据中其它各变量的平均影响值。
IV＝[IV1,IV2,…,IVn]T (17)
IV(Impact Value)中的各个参数即为样本数据中各个特征变量对输出的影响值。最后，多次仿真取m组IV值，求取其中对应特征变量IV值的平均值，记作MIV。
Figure BDA0001453378320000046
MIV绝对值的大小即为各自变量对网络输出影响的相对重要性，从而实现样本数据特征的加权。
步骤(3)K近邻算法设计
a.训练样本中找k个近邻
计算测试样本中每一个样本x(k')，k'＝1,2,…,N，与训练样本之间的欧氏距离，并找到距离它最近的k'个样本。
di,j＝||x(i)-x(j)||2,i≠j (19)
上式中，x(i)和x(j)分别表示两个样本，i,j＝1,2,…,N。
b.统计计算k个近邻中属于各类的概率
Figure BDA0001453378320000047
以上k表示k个近邻，kα表示k个近邻中属于α类的样本个数，α＝1，2，…，c，其中c为样本中类别个数。
c.故障诊断
对于一个新的样本x(k)，根据式(19)计算其k个近邻；根据式(20)统计计算p(α)；将p(α)从大到小排序，pmax(α)所属的类就是测试样本x(k)所属的故障类。
步骤(4)载入UI-balance数据集进行故障诊断仿真测试
为验证本文提出算法的有效性，我们使用UCI标准数据集中balance数据集进行对比仿真实验。其中balance数据集中有625组数据，每组数据包含4个特征(4×625)，共3类，1类数据49组，2类数据288组，3类数据288组。标准化处理后，由基于MIV的BP神经网络算法进行数据特征加权。然后我们采用交叉验证的方法选取500组(80％)数据作为训练样本，用于分类器构建，剩下的125组(20％)数据作为测试样本，用于测试计算本文提出的特征加权算法对分类器性能的影响。
样本数据特征权值(MIV)的求取过程如下：
a.原始样本数据的标准化，按照如下方式标准化
Figure BDA0001453378320000051
b.将标准化后的数据运用基于MIV的BP神经网络进行特征变量权值求取，对神经网络的部分参数进行设置，本文将神经网络的最大迭代次数设置成2000，期望目标误差最小值设为1.0*e-5。
针对同一标准UCI-balance数据集，分别采用普通的标准化处理和MIV-BP神经网络加权处理后，用机器学习算法中的KNN算法进行分类。
本发明的有益效果：利用基于平均影响值数据变换的特征加权方法，可使K-近邻故障诊断方法的诊断准确率最高提高8％；由于BP神经网络中的部分参数是随机初始化，故造成每次计算得到的各变量的IV值不同，故采用多次计算求平均值的方式确定各个特征变量最终的MIV值，通过MIV加权后的分类准确率也均高于直接数据标准化的分类准确率。最终将其应用到智能的电网信息物理***的攻击检测中，相较于传统检测手段，本发明提出的算法有效提高了攻击的检测精度。
附图说明
图1是本方法的算法实现流程图。
图2是BP神经网络架构图。
图3是BP神经网络迭代误差曲线。
图4是BP神经网络梯度下降曲线。
图5是BP神经网络测试数据拟合图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1、图2所示，本发明提出基于平均影响值数据变换的特征加权K-近邻故障诊断方法，包括以下各步骤：
1、依据信号的前向传播和误差的反向传播来构建BP神经网络：
步骤(1-1)网络的初始化：
假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；各层节点的个数无统一的标准，一般是根据输入输出序列在经过多次实验来确定。输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk'，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk'。以上权重及偏置参数的初始化是随机的，在接下来的多次迭代中进行一次次的更新修正。学习速率为η，取[0.01,0.1]之间，激励函数g(x)的输出结果是[-1,1]或者[0,1]，其中激励函数g(x)有诸多形式，本方法将其取作Sigmoid函数。形式为：
Figure BDA0001453378320000061
步骤(1-2)正向传递：有了输入和初始参数以及激活函数，一个节点的输出表示如下，对应输入乘以连接隐含层的对应权值加上阈值，最后经过激活函数得到隐含层节点的一个输出，假设***输入为X＝[x1,x2,....xn]，计算表达式如下。
隐含层节点的输入：
Figure BDA0001453378320000062
隐含层节点的输出：
Figure BDA0001453378320000063
输出节点的输出：
Figure BDA0001453378320000064
其中，；i＝1,2,…,n；j＝1,2,…,l；k'＝1,2,…,m。
步骤(1-3)反向传递：误差计算，我们定义损失函数(loss function)如下：
Figure BDA0001453378320000071
以上，Y为期望输出，O为实际输出，权值更新即是隐含层和输出层权值更新。其表达式如下
Figure BDA0001453378320000072
隐含层到输出层的权值更新计算：
Figure BDA0001453378320000073
ωjk'＝ωjk'+ηHjek' (8)
输出层到隐含层的权值更新计算：
Figure BDA0001453378320000074
Figure BDA0001453378320000075
Figure BDA0001453378320000076
Figure BDA0001453378320000077
测试数据的拟合程度见图5。
步骤(1-4)判断算法迭代是否结束，一种是迭代次数达到上限，另一种是判断相邻的两次误差之间的差别是否下月指定的值。
2、求取数据集的各输入变量对输出的MIV，MIV是用于确定输入神经元对输出神经元影响大小的一个指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性。具体计算过程如下：
Figure BDA0001453378320000081
Figure BDA0001453378320000082
Figure BDA0001453378320000083
IVi＝Oi,+-Oi,- (16)
综上，取0.1≤δ≤0.3，
Figure BDA0001453378320000084
表示所有样本的第i个特征分量分别增减δ后的矩阵；
Figure BDA0001453378320000085
表示第k'个样本数据的第i个特征分量分别增减δ后的向量；xi(k')表示第k'样本数据的第i个特征分量的值。网络训练终止后，将训练样本集
Figure BDA0001453378320000086
和
Figure BDA0001453378320000087
分别作为仿真样本利用已建成的网络进行仿真，得到两个仿真结果Oi,+和Oi,-，IVi即为样本数据中第i个变量的平均影响值。同理可求得样本数据中其他各变量的平均影响值。
IV＝[IV1,IV2,…,IVn]T (17)
IV(Impact Value)中的各个参数即为样本数据中各个特征变量对输出的影响值。最后，多次仿真取m组IV值，求取其中对应特征变量IV值的平均值，记作MIV。
Figure BDA0001453378320000088
MIV绝对值的大小即为各自变量对网络输出影响的相对重要性，从而实现样本数据特征的加权。
如下表1是通过以上算法求得的输入数据的各特征变量对输出的影响值，由于BP神经网络中的部分参数是随机初始化，故造成每次计算得到的各变量的IV值不同，故采用多次计算求平均值的方式确定各个特征变量最终的MIV值。
表1输入数据的各特征变量对输出的影响值
Figure BDA0001453378320000089
Figure BDA0001453378320000091
图3为BP神经网络的测试数据在网络中经过2000次的迭代，最终的误差最小为0.14468。图4表示BP神经网络的迭代方向沿着梯度下降的方向进行，并在第2000次迭代后梯度达到0.011897。图5表示BP神经网络经过2000次迭代后的回归曲线，Output＝0.63*Target+0.89。
3、K近邻算法设计
a.训练样本中找k个近邻
计算测试样本中每一个样本x(k')，k'＝1,2,…,N，与训练样本之间的欧氏距离，并找到距离它最近的k'个样本。
di,j＝||x(i)-x(j)||2,i≠j (19)
上式中，x(i)和x(j)分别表示两个样本，i,j＝1,2,…,N。
b.统计计算k个近邻中属于各类的概率
Figure BDA0001453378320000092
以上k表示k个近邻，kα表示k个近邻中属于α类的样本个数，α＝1，2，…，c，其中c为样本中类别个数。
c.故障诊断
对于一个新的样本x(k)，根据式(19)计算其k个近邻；根据式(20)统计计算p(α)；将p(α)从大到小排序，pmax(α)所属的类就是测试样本x(k)所属的故障类。
4、载入UI-balance数据集进行故障诊断仿真测试
为验证本文提出算法的有效性，我们使用UCI标准数据集中balance数据集进行对比仿真实验。其中balance数据集中有625组数据，每组数据包含4个特征(4×625)，共3类，1类数据49组，2类数据288组，3类数据288组。标准化处理后，由基于MIV的BP神经网络算法进行数据特征加权。然后我们采用交叉验证的方法选取500组(80％)数据作为训练样本，用于分类器构建，剩下的125组(20％)数据作为测试样本，用于测试计算本文提出的特征加权算法对分类器性能的影响。
样本数据特征权值(MIV)的求取过程如下：
1)原始样本数据的标准化，按照如下方式标准化
Figure BDA0001453378320000101
2)将标准化后的数据运用基于MIV的BP神经网络进行特征变量权值求取，对神经网络的部分参数进行设置，本文将神经网络的最大迭代次数设置成2000，期望目标误差最小值设为1.0*e-5。
针对同一标准UCI-balance数据集，分别采用普通的标准化处理和MIV-BP神经网络加权处理后，用机器学习算法中的KNN算法进行分类。表2为本算法的仿真实验结果。
表2仿真实验结果
Figure BDA0001453378320000102

Claims (1)

1.基于MIV数据变换的特征加权电网信息故障诊断方法，其特征在于该方法具体包括以下各步骤：
步骤(1)依据智能电网信息物理***信号的前向传播和误差的反向传播来构建BP神经网络：
步骤(1-1)网络的初始化：
假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk'，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk'；以上权重及偏置参数的初始化是随机的，在接下来的多次迭代中进行一次次的更新修正；学习速率为η，取[0.01,0.1]之间，激励函数g(x)的输出结果是[-1,1]或者[0,1]，其中激励函数g(x)将其取作Sigmoid函数；形式为：
Figure FDA0002631655760000011
步骤(1-2)正向传递：有了输入和初始参数以及激励函数，一个节点的输出表示如下，对应输入乘以连接隐含层的对应权值加上偏置，最后经过激励函数得到隐含层节点的一个输出，假设***输入为X＝[x1,x2,....xn]，计算表达式如下；
隐含层节点的输入：
Figure FDA0002631655760000012
隐含层节点的输出：
Figure FDA0002631655760000013
输出节点的输出：
Figure FDA0002631655760000014
其中， i＝1,2,…,n；j＝1,2,…,l；k'＝1,2,…,m；
步骤(1-3)反向传递：误差计算，定义损失函数如下：
Figure FDA0002631655760000021
以上，Y为期望输出，O为实际输出，权值更新即是隐含层和输出层权值更新；其表达式如下
Figure FDA0002631655760000022
隐含层到输出层的权值更新计算：
Figure FDA0002631655760000023
ωjk'＝ωjk'+ηHjek' (8)
输出层到隐含层的权值更新计算：
Figure FDA0002631655760000024
Figure FDA0002631655760000025
Figure FDA0002631655760000026
Figure FDA0002631655760000027
步骤(1-4)判断算法迭代是否结束，一种是迭代次数达到上限，另一种是判断相邻的两次误差之间的差别是否小于指定的值；
步骤(2)将待输入的智能电网信息物理***样本数据通过公式(13)进行标准化处理
Figure FDA0002631655760000028
步骤(3)求取数据集的各输入变量对输出的MIV，MIV是用于确定输入神经元对输出神经元影响大小的一个指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性；具体计算过程如下：
Figure FDA0002631655760000031
Figure FDA0002631655760000032
Figure FDA0002631655760000033
IVi＝Oi,+-Oi,- (17)
综上，取0.1≤δ≤0.3；
Figure FDA0002631655760000034
表示所有样本的第i个特征分量分别增减δ后的矩阵；
Figure FDA0002631655760000035
表示第k'个样本数据的第i个特征分量分别增减δ后的向量；xi(k')表示第k'样本数据的第i个特征分量的值；网络训练终止后，将训练样本集
Figure FDA0002631655760000036
和
Figure FDA0002631655760000037
分别作为仿真样本利用已建成的网络进行仿真，得到两个仿真结果Oi,+和Oi,-，IVi即为样本数据中第i个变量的平均影响值；同理可求得样本数据中其它各变量的平均影响值；
IV＝[IV1,IV2,…,IVn]T (18)
IV中的各个参数即为样本数据中各个特征变量对输出的影响值；最后，多次仿真取m组IV值，求取其中对应特征变量IV值的平均值，记作MIV；
Figure FDA0002631655760000038
MIV绝对值的大小即为各自变量对网络输出影响的相对重要性，从而实现样本数据特征的加权；
步骤(4)K近邻算法设计
a.训练样本中找k个近邻
计算测试样本中每一个样本x(k')，k'＝1,2,…,N，与训练样本之间的欧氏距离，并找到距离它最近的k'个样本；
di,j＝||x(i)-x(j)||2,i≠j (20)
上式中，x(i)和x(j)分别表示两个样本，i,j＝1,2,…,N；
b.统计计算k个近邻中属于各类的概率
Figure FDA0002631655760000041
以上k表示k个近邻，kα表示k个近邻中属于α类的样本个数，α＝1，2，…，c，其中c为样本中类别个数；
c.故障诊断
对于一个新的样本x(k)，根据式(20)计算其k个近邻；根据式(21)统计计算p(α)；将p(α)从大到小排序，pmax(α)所属的类就是测试样本x(k)所属的故障类。
CN201711053636.2A 2017-11-01 2017-11-01 基于平均影响值数据变换的特征加权k近邻故障诊断方法 Active CN107832789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711053636.2A CN107832789B (zh) 2017-11-01 2017-11-01 基于平均影响值数据变换的特征加权k近邻故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711053636.2A CN107832789B (zh) 2017-11-01 2017-11-01 基于平均影响值数据变换的特征加权k近邻故障诊断方法

Publications (2)

Publication Number Publication Date
CN107832789A CN107832789A (zh) 2018-03-23
CN107832789B true CN107832789B (zh) 2020-11-06

Family

ID=61650379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711053636.2A Active CN107832789B (zh) 2017-11-01 2017-11-01 基于平均影响值数据变换的特征加权k近邻故障诊断方法

Country Status (1)

Country Link
CN (1) CN107832789B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214175B (zh) * 2018-07-23 2021-11-16 中国科学院计算机网络信息中心 基于样本特征训练分类器的方法、装置及存储介质
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法
CN111914718B (zh) * 2020-07-23 2023-08-18 杭州电子科技大学 基于平均影响值数据变换的特征加权pca人脸识别方法
CN113361178A (zh) * 2021-06-23 2021-09-07 哈尔滨工业大学 基于rs锁存器的单片层间通孔故障检测方法
CN115056824B (zh) * 2022-05-06 2023-11-28 北京和利时***集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150594A (zh) * 2013-03-18 2013-06-12 山东电力集团公司济宁供电公司 基于加动量项bp神经网络的变压器故障诊断方法
CN103984856A (zh) * 2014-06-19 2014-08-13 江苏新瑞峰信息科技有限公司 一种基于神经网络的墙体纵向裂缝宽度预测***及方法
CN105960021A (zh) * 2016-07-07 2016-09-21 济南东朔微电子有限公司 一种改进的位置指纹室内定位方法
CN107273845A (zh) * 2017-06-12 2017-10-20 大连海事大学 一种基于置信区域和多特征加权融合的人脸表情识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150594A (zh) * 2013-03-18 2013-06-12 山东电力集团公司济宁供电公司 基于加动量项bp神经网络的变压器故障诊断方法
CN103984856A (zh) * 2014-06-19 2014-08-13 江苏新瑞峰信息科技有限公司 一种基于神经网络的墙体纵向裂缝宽度预测***及方法
CN105960021A (zh) * 2016-07-07 2016-09-21 济南东朔微电子有限公司 一种改进的位置指纹室内定位方法
CN107273845A (zh) * 2017-06-12 2017-10-20 大连海事大学 一种基于置信区域和多特征加权融合的人脸表情识别方法

Also Published As

Publication number Publication date
CN107832789A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN109754078A (zh) 用于优化神经网络的方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN109116834B (zh) 一种基于深度学习的间歇过程故障检测方法
CN111126134B (zh) 基于非指纹信号消除器的雷达辐射源深度学习识别方法
CN110799995A (zh) 数据识别器训练方法、数据识别器训练装置、程序及训练方法
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
CN111785014A (zh) 一种基于dtw-rgcn的路网交通数据修复的方法
CN111564179B (zh) 一种基于三元组神经网络的物种生物学分类方法及***
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN112414715B (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN111046961A (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN113887342A (zh) 基于多源信号和深度学习的设备故障诊断方法
CN111079348B (zh) 一种缓变信号检测方法和装置
CN110110785B (zh) 一种快件物流过程状态检测分类方法
CN112528554A (zh) 一种适于多发多源火箭试验数据的数据融合方法及***
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及***
CN111797979A (zh) 基于lstm模型的振动传递***
CN114819107B (zh) 基于深度学习的混合数据同化方法
CN108053093A (zh) 一种基于平均影响值数据变换的k-近邻故障诊断方法
JP7468088B2 (ja) 画像処理システム、及び画像処理プログラム
CN115083511A (zh) 基于图表示学习与注意力的***基因调控特征提取方法
WO2022077345A1 (en) Method and apparatus for neural network based on energy-based latent variable models
CN113449631A (zh) 图像分类方法及***
CN112818455A (zh) 一种桥梁结构响应监测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant