基于直方图局部信息和Gath-Geva模糊聚类的彩色图像分割方法

针对Gath-Geva模糊聚类算法对初始给定的聚类中心等先验信息较敏感,提出了一种基于直方图局部信息的模糊Gath-Geva聚类新算法.实验结果表明,新算法在彩色图像分割方面,与传统模糊C-Means算法相比,具有较强的分割精度.

基于Gath-Geva算法和核极限学习机的多阶段间歇过程软测量

间歇过程具有较强的非线性,多阶段、慢时变及批次间存在变化,采用单一预测模型不能反映间歇过程的多阶段特性及阶段间过渡特性。提出一种基于Gath-Geva聚类和核极限学习机(kernel extreme learning machine,KELM)的多模型软测量方法。首先采用主成分分析(principal component analysis,PCA)对输入做特征提取,然后利用Gath-Geva算法对间歇过程进行多阶段工况划分,根据生产工况特性划分为不同的操作阶段后,分别建立局部KELM模型。对任一待预测样本,分别计算其对应各局部模型的预测值,最后采用贝叶斯集成,将其隶属于各局部模型的模糊隶属度作为权重和预测值融合得到最终预测值。以青霉素发酵数据进行实验测试,结果表明所提多模型算法相较于单一模型,具有更高的预测精度。

基于改进Gath-Geva聚类方法的磁流变阻尼器T-S模糊建模

磁流变阻尼器作为车辆智能悬架系统的核心元件,其逆模型的精度是影响车辆悬架减振控制性能的主要因素。文中针对全地形车悬架系统中磁流变阻尼器的滞回非线性导致建模精度低的问题,提出了采用基于改进的Gath-Geva聚类的模糊T-S建模方法。通过MTS试验机对磁流变阻尼器在不同工作频率、幅值和激励电流下的输出力进行测试和分析。基于试验测试结果和T-S模糊推理方法,建立了阻尼器的逆向模型。采用改进Gath-Geva聚类方法对建立的T-S模糊模型参数进行辨识,获得了激励位移、速度、阻尼力和控制电流之间的关系,提高建模精度和参数辨识速度。最后,通过试验对所提出的模糊非线性建模方法进行验证。结果表明,文中方法对阻尼器的控制电流具有较高的预测精度,电流预测值与实验值的均方根误差仅为0.0088 A。

改进EWT和Gath-Geva聚类的微震初至拾取算法

准确可靠的初至拾取是微震监测的关键环节之一。为解决低信噪比条件下微震初至拾取难的问题,基于含噪地震信号的S谱计算各频点能量得到能量曲线,以曲线极大值点频率重新确定频谱分割边界进行改进经验小波变换,将信号自适应分解为若干依频率和能量分布的本征模函数,剔除主频在阈值外的本征模函数得到降噪信号。提取降噪信号均值、功率、赤池信息准则值3个特征,将信号分为有效信号簇和噪声簇,利用Gath-Geva聚类分类,将信号簇的首次时间确认为初至时间。以人工拾取结果为参考,偏差20 ms内为正确拾取,仿真实验表明算法能有效降噪,在信噪比-10 dB时正确率71%,5 dB时达98.8%,比模糊C均值聚类算法准确度提高2.5%。实际微震拾取表明算法识别准确率达98%,具有较好的应用价值。

基于VMD模糊熵与GG聚类的直流配电网故障检测方法

针对直流配电网存在的故障信号难以提取、不易对各类故障进行诊断等问题,提出一种基于变分模态分解(VMD)模糊熵与Gath-Geva(GG)聚类的故障检测方法。首先,提取出暂态电流,采用VMD算法将故障暂态电流分解成若干个固有模态分量(IMF)。然后,分别计算分解得到的若干个IMF的模糊熵,将其作为特征向量。最后,采用GG聚类算法对故障特征的特征向量进行聚类识别。GG聚类的主要算法为将聚类样本划分为c类,设出隶属度矩阵,通过设定迭代来计算聚类中心与最大似然估计距离,更新隶属度矩阵,当隶属度矩阵满足条件矩阵时终止迭代,从而实现对单极故障、极间故障以及区外交流侧接地故障的聚类识别。仿真结果表明,所提保护方案可靠性强、准确率高,在不同故障类型、故障位置和过渡电阻等工况下均能可靠检测直流线路故障并准确识别故障类型,且具备一定的抗干扰能力。

基于记忆抗体克隆聚类算法的心音分类研究

为快速、准确地判断心音的正常与否,提出了一种记忆抗体克隆聚类算法。该方法将克隆选择算法和监督Gath-Geva算法相结合对心音信号进行识别与分类,并运用Sammon映射算法将高维心音特征数据映射成二维实现分类效果的可视化。试验中,首先对临床采集的主动脉听诊区的心音数据110组(60组正常,50组异常)和二尖瓣听诊区的心音数据100组(60组正常,40组异常)进行预处理和特征提取,然后采用提出的记忆抗体克隆聚类算法对提取的心音特征数据进行识别与分类,平均分类准确率分别达到98.1%和96.2%。

电弧焊接凝固开裂的模糊分类

针对低合金钢电弧焊工艺焊缝热裂纹形成条件判别问题，提出一种新的模糊分类器，其每条规则能以不同的概率表达一类以上的类别。首先，将分类器扩展为用混合模型估计类别条件密度的二次Bayes分类器，使其具有Takagi-Sugeno型模糊推理规则。其次，将Gath-Geva聚类算法改进为一种监督式聚类算法，用于辨识。最后，通过Fisher类间可分性实现输入参数的选择，简化分类器结构。该方法用于焊缝凝固开裂的分类识别。

基于ITD模糊熵和GG聚类的滚动轴承故障诊断

提出了一种本征时间尺度分解模糊熵和GG模糊聚类的滚动轴承故障诊断方法。首先,将滚动轴承的振动信号进行ITD分解,得到若干个固有旋转分量和一个趋势项。然后,将PR分量分别与原始信号进行相关性分析,筛选出前3个含主要特征信息的PR分量,并将筛选的PR分量的模糊熵作为特征向量。最后,将特征向量输入到GG分类器中进行聚类识别。通过模糊熵、样本熵和近似熵对比,实验结果表明模糊熵能更好的表征故障信号的特征信息;通过GG聚类、GK聚类和FCM聚类对比,实验结果表明GG聚类效果明显优于FCM、GK的聚类效果。因此,实验证明了基于ITD模糊熵和GG聚类的滚动轴承故障诊断方法的有效性和优越性。

基于数学形态学和模糊聚类的旋转机械故障诊断

提出了一种数学形态学与GG(Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征。为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱熵,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK(Gustafaon-Kessel)聚类进行了比较。实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,聚类效果更好。

基于EEMD模糊熵的PCA-GG滚动轴承聚类故障诊断

针对滚动轴承故障诊断中振动信号的熵特征向量维数高的问题,提出一种基于总体平均经验模态分解、模糊熵、主成分分析、GG(Gath-Geva)聚类算法相结合的滚动轴承聚类故障诊断法。采用经验模式分解与总体平均经验模式分解分别对滚动轴承的原始信号进行分解,得到若干个固有模式分量,并使用样本熵与模糊熵计算其熵值。通过主成分分析法对熵特征向量进行可视化降维,并作为模糊C均值、GK(GustafsonKessel)与GG聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵对上述聚类结果进行评价与对比。通过实验表明,所设计的模型能对熵特征向量进行可视化降维,且其故障识别聚类效果优于其他方法。

基于多元经验模态分解互近似熵及GG聚类的轴承故障诊断

提出了一种基于多元经验模态分解(Multi-EMD)、互近似熵和GG聚类的滚动故障轴承诊断方法。首先,将振动信号进行多元经验模态分解,得到若干个内禀模态函数(IMF)分量和一个趋势项。然后,将IMF分量分别与原始信号进行相关性分析,筛选出前7个含主要特征信息的IMF分量,并将筛选的IMF分量的互近似熵作为特征向量。最后,将特征向量输入到GG模糊分类器中进行聚类识别。通过聚类三维图,对两种算法机械运行的4种状态进行了对比,验证了多元经验模态分解方法不仅可解决采样的不均衡问题,而且可解决EMD算法聚类的混叠问题。

基于GG模糊聚类的滚动轴承退化阶段划分研究

针对滚动轴承退化特征提取以及性能退化阶段准确划分的问题,采用Logistic混沌映射,对谱熵在复杂度演化中的变化规律进行了研究。提出了一种基于均方根、谱熵、“弯曲时间参数”特征以及GG模糊聚类的滚动轴承退化阶段划分方法,并采用IMS轴承实验中心的滚动轴承全寿命试验数据进行了实例分析。研究结果表明:谱熵参数能够有效描述性能退化过程中的复杂度变化规律,对复杂度变化十分敏感,计算速度快;引入的Curved Time参数能够反映退化状态在时间尺度上的集聚特性,更符合机械设备的性能退化规律,因此GG模糊聚类方法能够实现对轴承等机械设备性能退化阶段的准确划分。

基于FastICA和G-G聚类的多元时序自适应分段

现有多元时间序列的分段方法主要通过检测时序数据统计特性或形状的变化情况,并以此为依据对分段点的位置进行“硬划分”.然而,这些分段方法无法对两个分段之间的过渡区间长度进行准确估计,且普遍需要人为预先设置参数,在高维且噪声较强的情况下分段效果较差.本文针对现有分段方法存在的诸多不足,提出一种基于FastICA(Fast Independent Component Analysis)和G-G(Gath-Geva)模糊聚类的多元时序自适应分段方法 .该方法利用FastICA进行特征提取,采用DW(Durbin-Watson)指数自动选取高信噪比的主成分,并根据最小描述长度(Minimum Description Length,MDL)设计基于G-G模糊聚类的自适应分段模型,实现对于多元时间序列的“软划分”.基于多种领域的真实数据集实验结果表明:与现有主流的分段方法相比,本文方法在上述数据集上的平均F1和MAE(Mean Absolute Error)可分别提升8.4%~16.8%和3.06%~6.56%.

基于KPCA-GG的火力发电设备状态诊断方法

为了解决具有非线性特征的设备状态诊断问题,提出一种基于核主成分分析和Gath-Geva模糊聚类相结合的多元时序分割算法.根据Gath-Geva模糊聚类算法得到聚类结果,利用核主成分分析算法提取非线性特征,从而构造KPCA分析模型.将聚类类簇在该模型空间中的距离作为类簇相似性分析及合并的标准,以提升方法的分割效果.实验结果表明,基于KPCA的Gath-Geva模糊聚类算法能识别数据的非线性信息,更准确地分析数据特征,其分割效果优于基于主成分分析的聚类算法的分割效果.通过提取的非线性特征对数据进行分割有助于识别设备状态的转换,可用于解决一类具有非线性特点的火力发电设备过程状态诊断问题.

基于滑动窗口的时间序列异常检测方法

针对传统滑动窗口异常检测(anomaly detection for sliding windows)中的子序列特征不能准确反映数据结构特征的问题,采用子序列斜率置信区间的方式进行解决,并提出了基于滑动窗口的时间序列异常检测方法。通过滑动窗口法将时间序列进行初始分割,提取子序列斜率的置信区间距离半径用于异常子序列的识别,并最终通过Gath-Geva聚类算法完成异常值与正常值的划分。仿真数据集检测结果表明,与以方差信息和传统斜率信息的特征提取方式相比,提出方法的查全率分别提升6.9%和46.3%。工程数据的检测实验结果表明,提出的算法能够准确识别异常数据信息,查全率和查重率都达到84%以上,验证了提出方法的工程可用性。