基于Shapley值的分类预测模型变量筛选方法改进

在分类预测模型的自变量间存在交互效应时,传统Shapley值法的可加性无法满足,造成变量筛选效果变差,导致分类模型的预测精度降低。针对此问题,文章提出使用稳健独立成分分析,从原始数据中估计出具有独立性的数据集并对其进行Shapley值分解,从而提高变量筛选的准确度。统计模拟与实证分析的结果表明,改进后的方法在变量筛选上的表现优于传统Shapley值法。

LMD能量矩和变量预测模型模式识别在轴承故障智能诊断中的应用

变量预测模型的模式识别方法(Variable predictive model based class discriminate,VPMCD)是一种利用特征值相互内在关系进行模式识别的新方法。论文提出了基于局部均值分解LMD(Local mean decomposition,LMD)能量矩概念,并针对轴承故障振动信号特征值的相互内在联系,将LMD能量矩与变量预测模型模式识别相结合,提出了一种轴承故障智能诊断新方法。首先利用LMD方法将复杂非平稳的原始信号分解为若干PF(Product function,PF)分量;然后利用相关分析剔除LMD方法中的虚假PF分量,并提取真实PF分量能量矩组成特征向量来有效地表达故障信息;最后采用VPMCD方法进行轴承故障诊断。通过仿真信号验证了PF能量矩比PF能量更能反映非平稳信号本质特征。轴承故障诊断实验结果表明,论文提出的方法能有效地应用于小样本多分类轴承故障智能诊断。

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.

基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。

一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法

在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类。因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法,DPLVSVM将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。

基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。

基于高斯过程隐变量模型的滚动轴承故障识别

滚动轴承振动信号的特征之间往往并非相互独立,使得高维融合特征存在大量冗余信息,降低故障分类精度。为此,研究基于高斯过程隐变量模型(Gauss process latent variables model,GP-LVM)与K-最近邻(K-Nearest Neighbor,KNN)相结合的轴承故障识别方法。首先,提取振动信号的小波包能量,构建融合特征矩阵;然后,利用GP-LVM提取其隐变量;最后,利用K-最近邻分类算法进行故障识别。实例结果表明,对于不同健康状态下的滚动轴承振动信号,所提方法能有效减少其特征间的冗余信息,很好地区分滚动轴承状态,实现滚动轴承故障类型的准确诊断。

基于AVMD多尺度模糊熵和VPMCD算法的宽频振荡分类

电力系统宽频振荡具有宽频域、非线性和时变性的特点,对振荡分类在准确性、快速性等方面提出了更高的要求。为此,提出一种基于自适应变分模态分解(adaptive variational mode decomposition,AVMD)的多尺度模糊熵(multi-scale fuzzy entropy,MFE)和变量预测模型(variable predictive model-based class discriminate,VPMCD)相结合的宽频振荡分类新方法。首先,对宽频振荡信号进行AVMD,得到固有模态分量(intrinsic mode functions,IMFS)。然后,引入MFE对IMFS进行时域特征描述,同时实现对IMFS构造特征向量的降维处理。最后,采用VPMCD对MFE降维后的特征向量实现宽频振荡的分类检测。通过仿真和实测数据分析,结果表明,所提方法的宽频振荡分类检测准确率比支持向量机(support vector machines,SVM)、BP神经网络方法的分类准确率更高,分类时间更短。

一种识别非典型气层的新方法--决策树的分类模型

非典型气层由于成因复杂,受储层厚度较薄、围岩的影响及测井仪器分辨率的限制,在测井曲线上表现出许多模糊性,致使三孔隙度和电阻率曲线在气层的敏感性降低,尤其是与气水同层、水层、干层的差异性不大,从而使一系列基于该资料的识别方法对非典型气层的识别无明显效果.而利用多参数测井信息对非典型气层的识别其实质是一个复杂的、非线性的、高维数的模式识别问题,因此可以采用模式识别方法对非典型气层进行识别.而决策树具有学习能力强、学习过程透明、结果可理解性强,能提供友好的人机交互机制,因此以多方面的测井信息为基础,利用决策树提取非典型气层的预测模型,并综合储层实际特征,对预测模型进行修正.实际应用结果表明,决策树提取的预测模型对非典型气层的识别具有较好的效果.

基于改进变量预测模型的变压器故障诊断

针对变压器故障诊断中的小样本、非线性、参数寻优难等问题,提出改进的变量预测模型的变压器故障诊断方法。分析变量预测模型和布谷鸟搜索算法结合解决小样本和非线性问题,指出其后期收敛速度慢,稳定性差,收敛精度不高,易陷入局部极小值问题,在此基础上在谷鸟搜索算法位置更新中引入变异操作,提高解的多样性。引入动态步长和动态发现概率提高解的稳定性和收敛效率。通过设计基于油色谱数据的变压器故障诊断实验,验证了提出的结合方法及其改进算法相比于其它优化算法有更高的识别效率,其中,平均识别精度高达97%。

医学预测模型中连续型变量的不同处理方式对其效能的影响

目的:探讨医学预测模型构建中连续型变量的分类或特征缩放处理对其内、外部验证效能的影响。方法:采用SEER数据,分别对数据中连续型变量(年龄和肿瘤直径)进行分类或特征缩放处理,然后构建模型,并对其效能进行内部和外部验证。以C统计量为模型的效能指标。结果:连续型变量的分类处理会降低预测模型的内、外部验证中的C统计量,且在多种算法中有相同的表现;而连续型变量的特征缩放处理可以提升模型的外部验证C统计量,却对模型的内部验证中C统计量的值无明显影响,且在多种算法中有相同的表现。结论:连续型变量的不同处理可以影响医学预测模型的内、外部验证效能,建议常规对模型中的连续型变量进行特征缩放处理并筛选最佳的特征缩放方法。

一种面向路口车辆行为识别的改进LSTM分类模型

针对传统LSTM分类模型对车辆直行等行为识别准确率不高的问题,提出一种改进LSTM分类模型。在改进模型中,首先把输入特征进行横向合并,再输入1个LSTM细胞。该模型可以充分利用输入信息,减少计算量,单个LSTM细胞模型具有较强的抗干扰能力、更好的分类效果以及更快的训练速度。实验表明,改进后的模型较改进前总体识别准确率提高1.6%,其中直行识别准确率提高2.04%,训练时间减少3.96 s,识别准确率和训练速度较改进前的模型均有所提升。

经济回归预测模型中的多重共线性——影响与识别

若讨论多个说明变量的线性回归方程y=X β+u(或yi=β1+β2 X2i+…+βk Xki+ui,i=1,2,…,n)

基于结构关系识别的中国汽车销量预测

准确的销量预测有助于汽车企业合理安排生产计划.提出采用包含单位根检验、格兰杰因果检验、弱外生性检验以及协整检验的结构关系识别方法来研究中国汽车销量与宏观经济变量之间的动态联系.其中,宏观经济变量主要考虑了汽油价格、消费者信心指数、居民消费指数和钢材产量,收集了2007~2016年的月度数据,构建了用于实证的数据集.研究表明中国汽车销量与识别的内生变量间存在着长期的协整关系,基于此,构建向量误差修正模型以量化这些变量对中国汽车销量的长期影响.与传统时间序列方法的比较表明,所提方法能提高预测精度,更好地反映中国汽车销量与宏观经济变量之间由短期偏离向长期均衡调整的动态过程.

基于局部特征尺度分解谱熵和VPMCD的液压泵退化状态识别

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法引入到液压泵的退化状态识别。对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别。仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力。通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性。

基于LPP与VPMCD的液压泵故障模式识别

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影(LPP)算法的故障特征提取方法。采用集总经验模态分解(EEMD)法对液压泵振动信号进行分解,从得到的内禀模态分量(IMF)中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别(VPMCD)算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。

基于RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。

RWESOS-VPMCD方法对超声缺陷信号的识别研究

在通过特征值间的内在关系建立预测模型的变量预测模式识别方法(VPMCD)中,传统判别方法受特征向量中的个别特征预测异常值影响大,易导致分类错误。提出基于比值加权的最小误差平方和的判别函数(RWESOS),可将异常预测的特征权重大幅降低,提升正确预测特征的权重,从而提高分类准确率。实验表明,在对不同缺陷大小的超声检测信号的识别中,使用RWESOS判别函数的RWESOS-VPMCD方法的识别率比BP神经网络和普通判别函数的VPMCD方法的识别率分别提高了4%和11%。

基于深度学习的采煤机截割部齿轮故障预测

采煤机截割部齿轮发生故障会降低采煤机的生产工作效率,并带来生产安全隐患,针对这一问题,以MG1000/2500 WD型采煤机作为研究对象,对其截割部的齿轮故障进行了成因机理研究、仿真分析和实验研究。首先,分析了采煤机的总体结构,对采煤机截割部齿轮故障的常见成因与机理进行了分析;其次,归纳了卷积神经网络(CNN)的卷积层、池化层和全连接层的表达公式,基于深度卷积神经网络(D-CNN)构建了截割部齿轮故障模型,并且研究了模型的算法流程;最后,通过选取训练的数据集,对模型进行了训练,对截割部齿轮故障进行了预测和分类,并结合性能评价指标对不同模型的实验结果进行了对比。研究结果表明:采用基于深度学习方法的预测模型可对采煤机截割部齿轮故障进行有效预测,齿轮故障识别率约为98.71%;在同等情况下,D-CNN模型对齿轮正常状态和故障状态分类精准率达到98.78%、召回率达到98.88%;相比于其他模型,该模型对齿轮故障具有更高的识别率,具备较高的故障预测与分类性能。

基于VPMCD的变压器局部放电模式识别

识别局部放电的类型对变压器状态评估十分重要。文中构造了四种变压器局部放电实物模型,从放电信号中提取18个统计特征量,使用基于变量预测模型的模式识别方法(Variable Predictive Model based Class Discriminate method,VPMCD)完成局部放电信号的分类。对比实验结果表明,VPMCD方法在识别率和计算效率均高于BP神经网络。