基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率,依据特征参数对不同故障的敏感度存在差异的特性,提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型,并依据BIC理论计算得到各特征参数对模型的贡献率,通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明,该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%,比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%,且该方法的时效性高,泛化性能强,能够更有效地进行复杂机械故障分类。

基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估

在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中,恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述,选择输电断面作为主要特征;基于时序邻域信息度量算法,依据累积贡献率对特征降序排列,并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现冗余特征的剔除,形成稳定特征子集;在应用电网稳定特征子集进行态势评估场景中,采用改进的多尺度主元分析法对稳定相关信息进行提取,通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE 39节点算例系统,仿真结果验证了文中所提方法的有效性。

心电身份识别中特征筛选策略研究

基于心电信号的身份识别是研究生物特征身份识别中的热点。在研究基于心电波形基准点方法的基础上,根据获得的特征在身份识别中的贡献率,提出一种特征的筛选策略。利用心电波形基准点的实际检测准确率,修正特征的原有贡献率,得到可应用的实际贡献率,从而获得优化后的可用于身份识别的关键特征集。采用PTB数据集和自采数据集进行实验,结果表明,经筛选策略修正后,PTB数据集用于识别的特征从9个增至12个,自采数据集的特征从17个增至18个,身份识别准确率分别达到98.7%和90.21%。

最优尺度和随机森林算法下盘锦海岸带遥感监测

针对海岸带遥感监测中岸线和地类提取单纯采用光谱信息而忽略其纹理和几何特征所导致的分类精度不高,以及产生“椒盐”及错分现象的问题,提出了面向对象的多尺度分割技术。通过局部方差变化率峰值确定对象提取的最优分割尺度,使用随机森林算法对基于最优尺度的盘锦市1990、2002、2013、2018年共4个时相海岸带土地利用类别进行分类。对多维特征重要性程度进行度量,依据特征贡献率对高维特征空间进行降维,构造最优特征空间。在袋外分类误差趋于收敛的前提下,寻找最适决策树数量使分类精度最高。定量分析与实验结果表明,与传统的光谱自动分类算法相比,该分类算法具有更高的准确性和稳健性,其总体精度达到81.32%以上,Kappa系数高于0.7531,明显优于传统算法,能够有效提高海岸带遥感监测的精度。

一种新的基于约简的多分类器融合算法

提出了一种新的多分类器融合算法。对特征的提取以约简为基础,按照一定的策略添加若干个属性重要度和特征贡献率大的特征,构成一个融合的特征子集空间;接着借助于kNN的思想,计算测试样本的k个最邻近点的类别百分比,为了提高分类精度,引入了样本相似度测度测试样本与k个最邻近点的相似性,通过设置合适的类别百分比和样本相似度的阈值,最终确定测试样本的类别归属。6个UCI标准数据集的实验分析表明,算法是有效的、可行的。详细分析了不同的约简和不同的阈值对分类精度的影响。

基于谐波发射水平的工业用户电力设备分类识别方法

随着电力物联网的快速发展,明确用户负荷状况对改善供电服务质量、电价决策、需求侧响应、有偿精准服务等方面起着重要作用。基于非侵入式方法进行工业电力设备的分类识别,存在工业负荷先验知识较少、用电采集系统数据采样频率低等问题。应用工业大用户的电能质量监测数据,提出一种基于谐波发射水平的工业用户电力设备分类识别方法。首先,提出基于双边累计和算法的工业设备投入/切除事件检测方法。其次,提取各次事件的典型特性,构建工业用户设备特征矩阵,提出高贡献率特征筛选方法,减少特征数量。提出基于k-means聚类算法和轮廓系数的工业用户电力设备分类识别方法。应用上海地区10 kV电压等级下某轧机用户14天的电能质量监测数据,验证了所提方法对于设备情况未知的工业用户设备分类具有较高的准确性,具有一定的实用价值和推广意义。