由于实际采集数据的局部邻域并非位于线性子空间中,传统的局部线性嵌入算法无法出提取显著特征。针对该问题,提出了局部线性增强嵌入(local linear augmentation embedding,LLAE)算法。首先通过高维重构模型挖掘出流形的本质结构;然后...由于实际采集数据的局部邻域并非位于线性子空间中,传统的局部线性嵌入算法无法出提取显著特征。针对该问题,提出了局部线性增强嵌入(local linear augmentation embedding,LLAE)算法。首先通过高维重构模型挖掘出流形的本质结构;然后将邻域线性增强策略引入到低维目标函数的构造中,通过构造均值和方差模型,获得样本的显著特征。在两个轴承数据集上进行了大量的实验,LLAE算法获得了良好的可视化和聚类效果,识别精度达到了97%以上。这表明LLAE算法能够提取出显著的特征,实现更有效的故障诊断。展开更多
文摘由于实际采集数据的局部邻域并非位于线性子空间中,传统的局部线性嵌入算法无法出提取显著特征。针对该问题,提出了局部线性增强嵌入(local linear augmentation embedding,LLAE)算法。首先通过高维重构模型挖掘出流形的本质结构;然后将邻域线性增强策略引入到低维目标函数的构造中,通过构造均值和方差模型,获得样本的显著特征。在两个轴承数据集上进行了大量的实验,LLAE算法获得了良好的可视化和聚类效果,识别精度达到了97%以上。这表明LLAE算法能够提取出显著的特征,实现更有效的故障诊断。
