基于特征空间降噪的局部保持投影算法及其在轴承故障分类中的应用

实际机械振动信号不可避免受到各种各样的噪声干扰,导致机械状态诊断结果误判等问题。目前的降噪算法主要都是针对时域振动信号,所需计算时间较长、占用存储空间较大。流形学习算法处理对象是样本特征空间数据,提出一种直接对样本特征空间进行奇异值分解降噪方法,再对降噪后的特征空间利用局部保留投影算法进行维数约简,通过1NN算法对设备运行状态进行识别。轴承故障仿真试验表明,与直接对时域信号进行降噪相比,所提方法能有效保证局部保持投影算法的降维效果,同时加快计算速度及减少所占存储空间。

基于多粒度特征交叉剪枝的点击率预测模型

在推荐系统中,学习有效的高阶特征交互是提升点击率预测的关键.现有的研究将低阶特征进行组合来学习高阶交叉特征表示,导致模型的时间复杂度随着特征维度的增加呈指数型增长;而基于深度神经网络的高阶特征交叉模型也无法很好地拟合低阶特征交叉,影响预测的准确率.针对这些问题,提出了基于多粒度特征交叉剪枝的点击率预测模型FeatNet.该模型首先在显式的特征粒度上,通过特征剪枝生成有效的特征集合,保持了不同特征组合的多样性,也降低了高阶特征交叉的复杂度;基于剪枝后的特征集合,在特征元素粒度上进一步进行隐式高阶特征交叉,通过滤波器自动过滤无效的特征交叉.在2个真实的数据集上进行了大量的实验,FeatNet都取得了最优的点击率预测效果.