基于PCA改进算法的k近邻多标签学习

k近邻多标签学习算法是多标签学习领域经典算法之一,为处理多标签问题提供了新思想。将PCA改进算法应用到k近邻多标签学习算法中,提出信息损耗率,并实现动态降维;根据PCA算法计算样本的属性重要度;采用属性重要度作为权重改进距离计算方法。与已有多标签学习算法相比,该算法各评价指标明显优于已有算法。

基于广义Fisher-互信息的管道堵塞故障特征选择方法

针对实际工程应用中,难以在管道声学信号中提取有效的故障特征的问题,提出了一种广义Fisher-互信息特征选择方法的管道堵塞故障特征。广义Fisher准则可以删除无关的和鉴别性能较差的特征,但不能去除冗余特征,在利用多特征对故障信号进行识别时冗余特征会降低分类器性能。利用广义Fisher准则对管道故障特征集进行筛选,选取鉴别性较强的特征;计算特征之间互信息构成互信息矩阵,去除特征集中的冗余特征,选取最优子集,利用多标签k近邻算法(ML-kNN)对多种管道工况进行识别,得到特征子集的分类准确率。实验结果表明,方法在分类任务中的有效性。