基于融合型深度学习的滚动轴承亚健康识别算法

深度学习模型增加了隐含层的层数,使得该模型在语音识别、图像视频分类等方面取得了不错的效果;但建立一个适合特定对象的模型需要大量的数据集来训练,而且需要较长时间才能获得合适的权重和偏置,为此提出一种基于深度自动编码器-相关向量机网络模型的滚动轴承亚健康诊断方法。首先,采集滚动轴承振动信号并进行傅里叶变换和归一化处理;其次,设计改进的自动编码器-稀疏边缘降噪自动编码器,结合了稀疏自动编码器和边缘降噪自动编码器的特点;接着建立深度自动编码器-相关向量机网络模型,用有监督的函数对各个隐含层的参数进行微调,并利用相关向量机(RVM)进行训练;最后将得到的分类根据D-S证据理论融合并得出最终的分类结果。实验结果表明所提算法能有效提高滚动轴承"亚健康"状态的识别精度,纠正错误分类。

动态区间的加权模糊聚类算法

数据聚类在数据挖掘、数据分析中广泛应用,而不完整数据对数据聚类造成了很大困扰。针对不完整数据聚类中估值法填补缺失属性不准确的问题,提出动态区间的加权模糊聚类算法。首先,由属性相关度构造缺失属性的最近邻样本集,进而形成缺失属性估值区间。为进一步减小区间填补误差,使用基于最近邻样本集的离散度的区间因子来动态调节区间大小。其次,为充分挖掘属性空间的隐含信息,同时降低离群点对聚类中心的影响,对完整的区间型数据集进行基于局部密度的样本加权。最后,通过以上改进完成区间型样本的加权模糊聚类。利用多个UCI数据集和人工数据集验证提出的聚类算法,实验结果表明:动态区间的加权模糊聚类算法能有效提高聚类准确性、鲁棒性以及收敛的稳定性。

不完备数据的反馈式极限学习机填充算法

随着互联网、大数据等信息技术的发展,数据收集中部分属性缺失的问题受到了广大学者的关注。针对传统极限学习机无法根据输出值对网络结构优化的问题,本文提出基于极限学习机预测缺失属性的反馈式极限学习机(FELM)算法,将卡尔曼滤波思想改进极限学习机并用互信息策略作为属性间的衡量标准,网络模型的训练样本集为完整数据。