基于WMRMR的滚动轴承混合域特征选择方法

为充分利用时域、频域以及时频域中的有效特征,提高滚动轴承故障诊断准确率,提出一种混合域特征集构建方法,利用原始信号分别生成时域和频域特征集,通过经验模式分解提取固有模态函数的排列熵和Hilbert谱的奇异值作为时频域特征集,使得混合域特征集比单域特征更能全面准确反映轴承运行状态。针对混合域特征集存在维数过高、特征之间冗余性严重的问题,采用加权最大相关最小冗余的特征选择方法,以支持向量机分类正确率为依据,选取7个有效特征向量。实验结果表明:基于WMRMR的混合域特征选择方法的分类准确率可达98%,能够有效的识别轴承故障信息。

基于mRMR与基尼重要性的树突状细胞模型

树突状细胞算法(DCA)模拟人体免疫系统中树突状细胞对抗原的识别与提呈过程,是一种快速有效的异常检测方法,其关键是从数据中选取有效特征以表示特定的输入信号。然而,现有信号选取方法存在特征子集冗余、时间复杂度高等问题,导致生成的抗原信号有效性较低,且在高维大样本数据集上运行速度较慢。考虑抗原信号的可用性与信号选取过程的时间效率,提出基于最大相关最小冗余(mRMR)与基尼重要性的树突状细胞模型MRGI-DCA。通过mRMR从原始数据集中快速地提取最相关特征子集,且最大限度地降低特征子集的冗余性。在mRMR预降维的基础上,根据CART树模型快速、准确等特点,利用基尼重要性得到更有效的抗原信号。实验结果表明,MRGI-DCA总体表现优于IG-DCA、COR-DCA、GA-DCA和SVM-DCA方法,其中,准确率、F1值和AUC在高维、低维、异常数据集上的平均值较COR-DCA分别提高6.01%、5.86%、9.96%,并且平均运行时间约为COR-DCA的1/5。

基于小腿表面肌电的智能机器人协同控制方法

作为人机交互的核心内容之一,面向机器人控制的步态识别拥有广泛的应用前景。提出一种基于小腿表面肌电信号的智能移动机器人控制方法。通过优化互信息的最大相关最小冗余算法(MRMR),实现对前进、后退、左转、右转等4种步态分类识别,并建立一套移动机器人同步控制系统。使用表面肌电信号(sEMG)作为输入信息,对人步态动作进行分类识别,并转化为对机器人运动进行控制的信息,从而实现人与智能移动机器人的实时协同交互。通过采集8名受试者前进、后退、左转、右转行走时的小腿表面肌电信号,并实时控制智能机器人的运动。结果表明,在少量的训练条件下,该方法的步态识别准确率可达88%。基于此方法搭建的移动机器人协同控制系统,具有较强的实时控制能力以及较高的控制准确度。基于小腿表面肌电的智能机器人协同控制方法具有良好的应用前景,未来或可广泛应用于人机运动协调机器人控制等领域。

电力用户用电特征选择与行为画像

我国交直流大电网的安全稳定运行与新能源的消纳对需求侧响应提出了较高要求,电力用户画像对需求侧响应的实施具有重要意义。文章提出了一种电力用户用电特征选择与行为画像方法。首先,通过构造聚合回报指标,兼顾集聚度和分离度,实现了最优分类数目的自动确定,并在此基础上完成k-means聚类;然后,将最大相关最小冗余准则应用于电力用户用电特征选取,兼顾了有效性和精简性,通过遍历法求得优质特征集;再采用打分制对优质特征进行量化,通过雷达图和柱状图等进行展示,实现了用户用电行为画像。最后通过算例分析表明了所提方法的有效性。

基于改进最大相关最小冗余判据的暂态稳定评估特征选择

提出一种基于改进最大相关最小冗余判据(maximal relevance and minimal redundancy,mRMR)的暂态稳定评估特征选择方法。首先对标准mRMR方法进行改进,在最大相关、最小冗余判据中引入一个权重因子以细化对特征相关性和冗余性的度量。然后,考虑相量测量单元可以提供的故障后实测信息,构造由系统特征构成的原始特征集,将改进的mRMR应用于特征选择。通过增量搜索算法得到一组嵌套的候选特征子集,并使用支持向量机分类器验证各候选特征子集的分类性能,选择得到具有最大分类正确率的特征子集。基于新英格兰39节点系统和IEEE 50机测试系统的算例结果验证了所提特征选择方法的有效性。

基于MRMR的文本分类特征选择方法

特征选择是文本分类技术中重要的处理步骤,特征词选择的优劣直接关系到后续文本分类结果的准确率。使用传统特征选择方法如互信息(MI)、信息增益(IG)、χ2统计量(CHI)等提取的特征词仍存在冗余。针对这一问题,通过结合词频-逆文档率(TF_IDF)和最大相关最小冗余标准(MRMR),提出了一种基于MRMR的特征词二次选取方法 TFIDF_MRMR。实验结果表明,该方法可以较好地减少特征词之间的冗余,提高文本分类的准确率。

改进的最大相关最小冗余特征选择方法研究

特征选择方法作为重要的数据预处理工作一直受到各个领域的关注。在分析现有的特征选择方法的基础上,针对MRMR方法中存在的冗余度和相关性评价方法单一,不能根据用户需求设置特征维度等问题进行了改进。在冗余度计算过程提出一种新的简单快速的计算方法;在计算权重过程中提出针对不同数据选用不同的特征评价方法;引入新的目标评价函数来进行特征选择。在五个经典的用于生物认证领域的特征数据库(FERET、CASIA、ORL、PIE和扩展的YaleB)上验证了算法的有效性,实验结果充分证明了改进的最大相关最小冗余算法的优势。

基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。

基于MRMR的集合经验模态分解和支持向量机的风电功率实时预测

风电场的输出功率对风能的利用有很大意义,准确地对风电功率进行预测可以使系统安全稳定的运行。先分析得出与功率有关的变量,根据最大相关最小冗余(MRMR)原则筛选得出特征,使该特征能够代替整个风场。由于风电功率时间序列的非平稳性等特征,对风电功率时间序列采用集合经验模态分解,然后建立支持向量机预测模型。通过算例验证分析说明该方法的有效性,可以提高预测精度,减小误差。

基于MRMR-RPK-ELM模型的PM_(2.5)质量浓度预测

为了提高PM_(2.5)质量浓度预测精度,提出一种用最大相关最小冗余算法(MRMR)筛选最优特征值,高斯多项核函数(RPK)优化极限学习机(ELM)的PM_(2.5)质量浓度预测模型。以赣州市为例,选择PM_(10)、O_(3)、SO_(2)、CO、NO_(2)、降水、气压、气温、相对湿度、风速等10个影响因子,PM_(2.5)为目标因子,通过降维处理和核函数特征映射代替随机映射解决PM_(2.5)的高度复杂性。结果表明,MRMR算法选出的影响因子PM_(10)、O_(3)、CO、NO_(2)和相对湿度,不仅考虑目标因子与影响因子的相关性,还考虑影响因子之间的相关性,进而降低了数据维度。MRMR-RPK-ELM模型的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为6.35、9.618、19.89%和0.942,相较于原始的ELM模型,PM_(2.5)质量浓度预测精度有明显提升,拟合程度较高,且具有更好的泛化能力,能准确捕捉PM_(2.5)质量浓度的突变节点。

基于MRMR的光伏出力匹配方法研究及预测应用

针对光伏出力匹配系统存在的气象因子选取不合理、有效信息提取不够精细化等问题,文章提出一种基于MRMR的光伏出力匹配方法。该方法采用皮尔逊相关系数对数据库进行缩减,减少冗余数据空间;然后,通过互信息理论剔除耦合气象因素,挖掘待匹配日气象因素与短波辐射之间的联系,进一步提高光伏出力匹配标准;最后,将提取出的待匹配日特征通过马氏距离进行光伏出力匹配。文章利用基于MRMR的光伏出力匹配方法,在4种天气类型条件下,对新疆某光伏发电站的光伏出力进行匹配。分析结果表明了该匹配方法的正确性和有效性。

基于级联结构的人体动作识别方法

提出一种基于级联结构的人体动作识别方法:针对Dollar时空兴趣点检测器易受图像噪声、摄像机运动与缩放等因素影响产生伪兴趣点的问题,提出了一种基于轨迹差异度的兴趣点筛选方法,有效避免了引入背景中的伪兴趣点,提高了人体运动特征提取的准确度;采用规范切与最小冗余最大相关(mRMR)准则对词袋模型生成的特征向量进行自动特征选择,同时建立一个用于分类的级联结构,在识别各类不同动作时选择不同的特征子集,使得分类器使用的特征更具区分性。在KTH人体运动测试集上实验,验证了该方法能提高动作识别的准确度。

基于特征选择和支持向量机的HIV-1型蛋白酶剪切位点预测

为了提高HIV-1型蛋白酶剪切位点的预测准确性,提出一种基于特征选择和支持向量机的剪切位点预测模型。首先,通过对5830个样本的HIV-1型蛋白酶剪切位点数据集进行分析,根据最小冗余最大相关理念,采用可自动终止法选择剪切位点的特征向量;然后,将特征向量输入到支持向量机进行学习和训练,建立HIV-1型蛋白酶剪切位点的分类模型;最后,采用Matlab 2014的仿真工具箱进行仿真测试。实验结果表明:本文模型在特征最少的条件下,剪切位点预测精度优于参比模型及文献报道,且所选择的特征向量具有较好的可解释性及生物学意义。

基于最大相关最小冗余准则的变压器故障诊断特征选择

电力变压器油中溶解气体分析(DGA)技术广泛应用于变压器内典型故障诊断,其中基于DGA数据的人工智能诊断方法在变压器故障诊断领域具有较高的识别率,但该类方法在选择故障特征量时尚无统一的标准。鉴于此,本文尝试引入最大相关最小冗余算法(mRMR),以互信息理论为基础挖掘变压器故障特征量之间以及特征量与故障类型之间的关联关系,通过分析大量的DGA在线监测数据挖掘出最优的变压器故障特征量集,并采用支持向量机(SVM)分类器对比优选特征量集和传统的特征量集合在变压器故障诊断的效率。最后,通过与SVM智能分类、IEC推荐的三比值分类方法的对比测试表明该方案的故障诊断准确率优于传统的故障诊断方案,故障识别效率高于新型的人工智能诊断方案,更适合于现场的工程应用及推广。

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求。针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型。首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,其中利用麻雀智能算法优化VMD的关键参量。其次,利用m RMR方法分析各模态分量与预测模型输入特征元素间的相关性,获取各预测模型的最优输入特征集,并在分析负荷影响因子中考虑实时电价。最后,采用不同结构参数的LSTM方法对各分量分别预测,将预测结果叠加得到最终的预测值。以澳大利亚的实际运行数据做算例分析,与常规负荷预测方法进行对比,验证了该方法的有效性。

基于MRMR-HK-SVM模型的PM2.5浓度预测

以赣州市2017年全年的空气质量和气象数据为研究对象,通过最大相关最小冗余算法(MRMR)提取出最优的特征子集,并将其作为预测模型的输入数据,同时构造混合核函数(HK)对传统的支持向量机模型(SVM)进行改进,最终建立MRMR-HK-SVM模型.实验结果表明,MRMR-HK-SVM模型有着更低的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE),相较于传统SVM模型,预测结果平均绝对误差下降了26.9%,且能更加准确的追踪到PM2.5浓度的突变时刻.可见,MRMR-HK-SVM模型具有更好的泛化能力,能够更加精确地预测PM2.5浓度.

联合mRMR算法和BP神经网络的集成电路测试方法

集成电路规模的急剧增大显著加了测试成本。针对集成电路测试成本过高的问题,提出了一种适应性测试方法。将最小冗余最大相关算法与BP神经网络相结合。首先通过最小冗余最大相关算法选择重要的测试项,仅测试重要的测试项并组成特征集合,然后使用BP神经网络模型预测测试结果。实验结果表明,相较于传统测试方法,该方法以牺牲0.1%的测试逃逸率为代价,降低了45%以上的测试成本。与其他适应性测试方法相比,该方法的测试逃逸降低91%以上,可以在测试成本和测试质量之间选择最优解。

基于迁移学习的智能静态电压稳定评估方案

由于电力系统拓扑结构复杂多变,基于数据驱动的静态电压稳定评估通常存在模型泛化能力不足的问题。针对该问题,文中提出了一种基于迁移学习的智能静态电压稳定评估方案。基于最大相关最小冗余(Maximal Relevance Minimal Redundancy,MRMR)准则和shapley值构建S-MRMR特征选择框架,对离线生成的数据集进行数据降维;基于梯度提升分段线性回归树(Gradient Boosting With Piecewise Linear Regression Trees,GBDT-PL)算法构建静态电压稳定评估模型,提取电力系统运行特征与静态电压稳定指标间的映射关系;利用迁移学习对GBDT-PL模型进行实时更新,提高模型的泛化能力。在由电力系统仿真软件PSS/E提供的23节点系统和1648节点系统上的仿真结果表明,文中所提方案对电力系统拓扑结构变化具有较强的鲁棒性,能够满足在线电压稳定评估的要求,为数据驱动方法实际应用于静态电压稳定评估提供了有益的参考。

基于动态特性描述的变量加权型分散式故障检测方法

现代工业生产过程往往具有复杂的动态特性:不同测量变量间会存在不同的时序相关性,且变量间的相互影响会反映在不同的采样时刻上.现有的动态过程监测模型往往不能充分挖掘变量间的动态特性,其故障检测效果也有待进一步提高.在此背景下,本文提出一种基于动态特性描述的变量加权型分散式故障检测方法.利用最大相关最小冗余(Minimal redundancy maximal relevance,mRMR)算法更准确地描述动态过程变量间的相关性关系,并利用该相关性的值对原始增广矩阵进行加权处理,且不同延迟变量对当前测量值的影响大小就通过权值来体现,因此能更加全面地刻画该测量值的动态特性.最后建立一种融合mRMR算法,贝叶斯推理以及动态主成分分析(Dynamic principal componemt amalysis,DPCA)模型的新的分布式建模策略,提高了模型的容错能力和泛化能力,取得了更好的故障检测结果.

两阶段特征选择的冷水机组能耗预测方法

本文针对冷水机组运行参数繁多的特点,提出了一种结合ReliefF和最大相关最小冗余(minimal-Redundancy-Maximal-Relevance,mRMR)算法的两阶段特征选择算法。实验利用筛选出的特征子集建立支持向量回归模型进行能耗预测,并与单一特征选择算法的结果进行比较。结果表明,与单独使用ReliefF和mRMR算法的预测模型相比,ReliefF-mRMR预测模型的最高精度分别提高了2.22%和0.83%,平均预测精度分别提高了3.92%和8.11%;在最优精度的情况下,ReliefF-mRMR预测效率比ReliefF算法仅降低了0.87%,比mRMR算法提高了53.60%。