融合K近邻信息的局部三层交替优化MK诊断模型

针对小样本条件下航空电子设备模块级功能故障诊断问题,将局部多核学习的局部特征表示能力与超限学习机运算高效的特点相结合,提出一种新的多故障诊断模型。一方面,通过将训练样本的近邻信息融入学习过程中,有效提升了诊断模型的推广能力;另一方面,通过构造关于局部多核超限学习机初始-对偶混合优化问题的三步交替优化策略,实现了小样本条件下对故障信息的深度挖掘,并在l1-范数约束与l2-范数约束下分别实现了对局部核权重的迭代更新。将所提诊断模型应用于某型前端接收机,结果表明,相比一般的多核、局部多核诊断方法,所提方法在实现低漏警、低虚警的同时,l1-范数约束的诊断方法将诊断精度平均提升了3.57%,l2-范数约束的诊断算法将诊断精度平均提升了4.61%。

基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning,LMKL)和一类超限学习机(one-class extreme learning machine,OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明,在训练时间可控的前提下,与4种常见的一类分类(one-class classification,OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve,AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection,LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。

基于动态软聚类的航空电子部件LMKELM诊断模型

为提高小样本条件下航空电子设备模块级故障诊断精度,基于动态软聚类的自适应特点与局部多核学习(local multiple kernel learning,LMKL)的局部特征表达能力,提出一种新的局部多核超限学习机(local multiple kernel extreme learning machine,LMKELM)诊断模型。通过引入局部密度的概念进行自适应确定聚类数目,并结合模糊C均值聚类对样本进行划分,在充分体现类内多样性的同时,约减了计算复杂度,实现对样本的动态软聚类。通过构造选通函数解决局部权重二次非凸问题,融合近似得到的局部权重与隶属度信息,实现对测试样本的故障诊断。将该模型应用于某型机旋转变压器激励发生电路,实验结果表明,相比于4种前沿的多核学习方法,该算法在漏警率、虚警率方面表现优异,选用的M1与M2选通函数分别将诊断精度平均值提升2.78%和4.37%。

基于rMKL-LPP方法的乳头状肾细胞癌多组学数据整合分型分析

目的探讨局部保留投影的正则化多核学习(regularized multiple kernel learning with locality preserving projections,rMKL-LPP)在乳头状肾细胞癌(papillary renal cell carcinoma,PRCC)多组学数据分子分型中的应用,进一步研究PRCC分子分型在信号通路活性和基因表达调控方面的异质性。方法采用rMKL-LPP方法对PRCC的mRNA、miRNA和DNA甲基化数据进行整合,进一步采用k-means方法聚类分型,并通过Cox回归分析研究不同分型的预后风险。针对不同分型,进行通路活性分析,使用差异表达分析筛选DEmRNAs(differentially expressed mRNAs),DEmiRNAs(differentially expressed miRNAs)和DMGs(differentially methylated genes),并对三者的重合基因进行GO(gene ontology)富集分析,最后使用相关及生存分析筛选可能受DNA甲基化或miRNA调控且影响患者生存的基因。结果PRCC患者分为三型,不同亚型在通路活性和基因表达方面均有差异。筛选出10条活性存在差异的通路;1185个DEmRNAs,13个DEmiRNAs及416个DMGs,其中36个重合基因富集于有统计学差异的8个GO生物项。相关分析发现,ABL2可能受hsa-miR-107调控,13个基因可能受DNA甲基化调控。生存分析表明,ZNF135和RBPMS2可能与患者生存结局相关。结论rMKL-LPP能够有效识别PRCC亚型,筛选出的通路及潜在生物标志物,可为PRCC针对性治疗提供依据。

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度,提出一种新的面向"软聚类"的局部多核学习(LMKL)-超限学习机(ELM)离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分,挖掘聚类内部多样性的同时,实现了对过学习的抑制;将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程,运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题,在l1-范数与l2-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机,结果表明:与4种流行的多核诊断方法相比,该方法可有效避免漏警、抑制虚警,在l1-范数和l2-范数约束下,其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。