由于特征提取是数据挖掘的基础工作,而其质量对挖掘结果有很大影响,为此针对局部线性嵌入(LLE:Locally Linear Embedding)算法并未考虑同一数据的不同特征之间的相关性,不能较好地保留时间信号的主要形态趋势,提出了基于特征相关性的局...由于特征提取是数据挖掘的基础工作,而其质量对挖掘结果有很大影响,为此针对局部线性嵌入(LLE:Locally Linear Embedding)算法并未考虑同一数据的不同特征之间的相关性,不能较好地保留时间信号的主要形态趋势,提出了基于特征相关性的局部线性嵌入(CC-LLE:Local Linear Embedding Algorithm Based on Characteristic Correlation)算法,并应用于轴承故障诊断。针对轴承故障信号周期性特点,该算法在特征提取阶段对数据进行分段操作,选取各分段上的标准偏差作为特征,构造原始数据的特征样本集,从而有效提取鉴别特征。通过在轴承数据集上进行实验验证了该算法在特征提取方面的有效性。展开更多
文摘由于特征提取是数据挖掘的基础工作,而其质量对挖掘结果有很大影响,为此针对局部线性嵌入(LLE:Locally Linear Embedding)算法并未考虑同一数据的不同特征之间的相关性,不能较好地保留时间信号的主要形态趋势,提出了基于特征相关性的局部线性嵌入(CC-LLE:Local Linear Embedding Algorithm Based on Characteristic Correlation)算法,并应用于轴承故障诊断。针对轴承故障信号周期性特点,该算法在特征提取阶段对数据进行分段操作,选取各分段上的标准偏差作为特征,构造原始数据的特征样本集,从而有效提取鉴别特征。通过在轴承数据集上进行实验验证了该算法在特征提取方面的有效性。
基金Projects (50974134,50804055) supported by the National Natural Science Foundation of ChinaProject (2005CB623701) supported by the National Basic Research Program of China