IMIBSE与ISOMAP在旋转机械故障诊断中的应用

针对基本熵的区域划分标准不理想,导致无法有效测量振动信号的复杂度,使故障诊断的准确率不佳这一问题,提出了一种基于改进多尺度改进基本熵(IMIBSE)、等距特征映射(ISOMAP)和随机森林(RF)的旋转机械故障诊断方法。首先,采用基于方差的区域划分准则对基本熵进行了改进,结合改进的粗粒化处理,提出了IMIBSE,并将其用于提取故障特征;随后,利用ISOMAP对原始故障特征进行了特征降维,选择了对分类贡献最大的一组特征作为故障敏感特征;最后,基于RF建立了多故障分类器,将故障敏感特征输入至RF模型进行了训练和测试,实现了旋转机械的故障识别,利用齿轮箱和离心泵两种故障数据集将IMIBSE方法与复合多尺度基本熵、多尺度改进基本熵、多尺度基本熵进行了比较和分析。研究结果表明:IMIBSE不仅具有最佳的可视化效果,而且取得的识别准确率最高,二者均达到了100%,而二者的平均分类准确率分别为100%和99.8%;相较于其他故障诊断方法,IMIBSE方法的准确率更高,而且适用于小样本的故障识别问题。

基于RCMDE和ISOMAP的行星齿轮传动耦合故障辨识研究

现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细复合多尺度散度熵(RCMDE)、等距特征映射(ISOMAP)和遗传算法优化核极限学习机(GA-KELM)的行星齿轮箱耦合故障诊断方法。首先,利用振动加速度计采集了行星齿轮箱单一故障和耦合故障下运行时的振动信号,构建了故障数据集;随后,利用RCMDE提取了行星齿轮箱振动信号的故障特征,建立了初始的特征样本;接着,利用ISOMAP对故障特征进行了降维,并以可视化的方式获取了低维的特征样本;最后,将新特征输入至GA-KELM分类器中,对行星齿轮箱的不同故障类型进行了识别,并基于行星齿轮箱多点损伤样本,对RCMDE方法的可靠性进行了研究。研究结果表明:基于RCMDE和ISOMAP的故障特征提取方法能够有效提取振动信号中的故障特征,而GA-KELM的故障诊断准确率达到了98.13%,平均诊断准确率达到了96.25%。相较其他故障特征提取方法,基于RCMDE、ISOMAP和GA-KELM的行星齿轮箱耦合故障诊断方法能够更好地诊断行星齿轮箱的耦合故障,具有更高的诊断准确率。

一种更具拓扑稳定性的ISOMAP算法

ISOMAP算法能否被成功运用,很大程度上依赖于邻域大小的选取是否合适.然而,如何有效地选取合适的邻域大小,目前还是一个尚未解决的难题.根据“短路”边会途经相对的低密度区域这一特点,能够有效删除邻域图中可能存在的“短路”边,提出了P-ISOMAP(pruned-ISOMAP)算法,这极大地削弱了ISOMAP算法对邻域大小的依赖程度,从而使其更具拓扑稳定性.由于避免了邻域大小难以有效选取的问题,P-ISOMAP算法能够更容易地对数据进行可视化.实验结果很好地验证了该算法的有效性.

P-ISOMAP:一种新的对邻域大小不甚敏感的数据可视化算法

ISOMAP算法对邻域大小敏感,而邻域大小却难以有效选取.本文根据二阶最小生成树不含有“短路”边的特性提出了能有效删除邻域图中的“短路”边因而对邻域大小不甚敏感的P-ISOMAP算法.由于避免了邻域大小难以有效选取的问题,该算法能更容易地对数据进行可视化,也获得了一定程度的拓扑稳定性和鲁棒性.实验结果很好地验证了该算法的有效性.

一种新的基于ISOMAP的数据可视化算法

作为古典MDS算法的一个非线性扩展,ISOMAP算法能较好地对嵌入在高维欧氏空间中的低维非线性流形进行可视化.然而,ISOMAP算法不但要求数据具有良好抽样且位于单一流形之上,而且还依赖于难以有效选取的邻域大小,这极大地限制了该算法的实际应用.为此提出了一种改进算法——GISOMAP,它采用MDS算法的一个变种来减弱长测地距离和"短路"边对距离保持的影响,不但能更好地对具有多聚类结构的数据进行可视化,而且对邻域大小也不再敏感,从而能更容易地得到实际应用.

基于监督Isomap的步态识别方法

由于步态图像的复杂性,使得很多维数约简方法不能有效地应用于步态识别中。等距特征映射(Iso-map)是一种很好的非线性维数约简算法,但在实际应用中该算法没有利用样本的类别信息,并存在泛化能力差的问题。在该算法的基础上,提出了一种新的监督Isomap算法,并应用于步态识别中。该方法不但具有Isomap算法的特性,而且能对新样本进行低维映射。在真实的三个步态图像数据库上的实验结果表明,该方法对步态识别是有效而可行的。

基于Isomap和支持向量机算法的俯视群养猪个体识别

针对俯视群养猪视频序列,提出了一种利用机器视觉技术对猪个体进行识别的方法。首先对采集的俯视群养猪视频序列进行前景检测与目标提取,获得各单只猪个体,其后建立训练样本,提取猪个体颜色、纹理及形状特征,组合构建表征猪个体的特征向量,接着对组合特征利用Isomap算法做特征融合,在最大程度保留有效识别信息的基础上降低特征维数,最后利用优化核函数的支持向量机分类器进行训练与识别。试验选取了900帧图像,试验结果表明该文所提方法切实有效,猪个体最高识别率为92.88%。该文从机器视觉角度探索了俯视群养猪的个体识别,有别于传统的RFID猪个体识别,该研究为无应激的猪个体识别提供了新思路,也为进一步探索群养猪个体行为分析等奠定了基础。

基于监督双限制连接Isomap算法的带钢表面缺陷图像分类方法

根据带钢表面缺陷图像具有复杂纹理结构、包含大量干扰信息、具备高维非线性几何结构等特点,本文提出基于监督双限制连接Isomap方法的带钢表面缺陷图像降维方法 (dls-Isomap).该方法以Isomap降维方法为基础,对其邻域图的连接方式进行K邻域(K-nearest neighbor,KNN)和ε-半径两个方面的限制性连接,并使用数据类别作为监督对类间邻域点进行扩展连接.针对多类Roll-swiss数据实验表明,dls-Isomap降维方法不仅能够在低维空间中完整嵌入所有数据点,而且能保持数据各类内和类间的几何结构,以及解决Isomap算法存在的"短路边"问题;针对带钢表面缺陷图像分类实验表明,基于dls-Isomap的新分类方法适合含水、油渍等干扰较多的带钢表面缺陷的分类任务,其中冷轧带钢5类缺陷识别率可以达78%.含水渍的热轧带钢缺陷识别率可以达到93%,其中水渍干扰图像的识别率达到97.6%.

基于核矩阵的Isomap增量学习算法研究

Isomap算法嵌入向量求解依赖于所有的初始样本,在增加新数据时需要较长时间重新计算所有数据样本间的测地距离.为了提高运算速度,提出一种基于核函数的增量学习Isomap算法,将测地距离矩阵当作一个核矩阵,并通过常数增加的方法保证测地距离矩阵满足Mercer条件,算法只需要计算新增点与原有数据点间的测地距离.与核主成分算法一样,新增点的投影值计算变为核矩阵上的特征分解.在Swiss,Helix和多姿态人脸数据中的实验结果表明,算法大大降低了计算复杂度,有利于快速发现隐藏在高维空间的低维流形分布.

基于ISOMAP的一种多流形学习算法

提出了M-ISOMAP算法,该算法通过求被间断流形间的最短欧氏距离对应的数据点并将这些数据点设置为互为邻域点,然后用经典ISOMAP算法找到嵌入结果.实验结果验证了该算法不仅保持数据集的拓扑结果,而且没有导致数据高度扭曲,适合可视化要求.

基于Isomap算法的恒星光谱离群点挖掘

如何从已分类的海量光谱中发现被错分的光谱一直是天文数据处理专家重点研究的问题,探讨的Isomap算法在该问题方面有很好的表现。通过Isomap算法与主成分分析方法(PCA)算法的实验结果对比发现:(1)PCA将具有不同特征的光谱投影到邻近的区域,而Isomap算法却可以将具有相似特征的光谱投影到邻近区域,而将具有不同特征的光谱投影到相距较远的区域;(2)Isomap算法给出的大部分离群点较易判断,且是具有很高科学价值的双星;而PCA给出的离群点难以判断,科学价值不高。因此,在光谱离群点发掘上Isomap算法比PCA有明显优势。由于使用的数据为SDSS最新发布的M型的九种光谱次型的光谱,因而Isomap算法能够快速发现被斯隆数字巡天数据处理流程(SDSS pipeline)错分的光谱,可帮助有效提高现有光谱分类算法的准确率。更进一步,由于被SDSS pipeline错分的光谱大部分是双星,因而Isomap算法还可以进一步帮助我们发现有很高科学研究价值的双星,提高双星的发现效率。虽然实验显示Isomap算法对信噪比变化较为敏感,在具有较低信噪比的光谱上表现较差,但由于信噪比低的光谱的光谱型难以判断,因而该缺点并不影响Isomap算法的在光谱发掘上的应用。

基于等维度独立多流形的DC-ISOMAP算法

流形学习已经成为机器学习与数据挖掘领域中一个重要的研究课题.目前的流形学习算法都假设所研究的高维数据存在于同一个流形上,并不能支持或者应用于大量存在的采样于多流形上的高维数据.针对等维度的独立多流形DC-ISOMAP算法,首先通过从采样密集点开始扩展切空间的方法将多流形准确分解为单个流形,并逐个计算其低维嵌入,然后基于各子流形间的内部位置关系将其低维嵌入组合起来,得到最终的嵌入结果.实验结果表明,该算法在人造数据和实际的人脸图像数据上都能有效地计算出高维数据的低维嵌入结果.

基于Isomap-CS-Elman的PVC聚合过程转化率预测

VCM的转化率是PVC聚合过程中一个重要的产品质量指标.由于PVC聚合过程较为复杂,且受现场条件的限制,VCM的转化率难以实时在线监测.因此,本文建立了一种基于Isomap-CS-Elman的软测量建模方法.利用Isomap算法对高维输入变量进行特征降维,确定了软测量模型的辅助变量,再采用CS智能优化算法优化Elman神经网络模型的结构参数,实现了输入输出变量之间的非线性映射.实验结果表明:与传统的Elman神经网络模型相比,所提出的模型具有更高的预测精度,较好地预测了VCM的转化率,满足了PVC聚合过程的实时控制要求.

基于ISOMAP降维的复杂轮廓异常点识别方法

高维复杂轮廓异常点识别方法研究是目前过程轮廓监控的重要课题之一。以高维复杂轮廓为研究对象,建立非参数轮廓矩阵模型,将基于测地距离的ISOMAP非线性降维技术与χ^2控制图相结合,提出新的轮廓异常点识别方法,以实现高维复杂轮廓异常点的准确识别。仿真实验和实际案例的应用分析结果证实该方法在异常点识别的准确性方面具有良好的性能。

基于最小连通邻域图的ISOMAP算法

噪音的干扰和邻域大小的不合适会在ISOMAP算法的邻域图中引入"短路"边,使其不能正确表达数据的邻域结构,从而使该算法具有较差的鲁棒性和拓扑稳定性。为此,根据最小连通邻域图能有效避免"短路"边的特点,提出了一种能有效删除"短路"边因而更具鲁棒性和拓扑稳定性的ISOMAP算法——基于最小连通邻域图的ISOMAP(MCNG-ISOMAP)算法。该算法能在一定程度上避免邻域大小难以有效选取的问题,同时还能在不依赖于邻域大小的情况下发现数据真正的固有维数。

基于快速Isomap的曲面超声图像优化展开

曲面工件超声成像检测时,采集点为三维数据,数量较大,观测时须进行旋转、移动操作,重构与显示缓慢,需对采集数据进行二维显示以便观测工件整体状况,实际检测中通常也要求结果为平面图像。基于此,提出了基于快速Isomap的曲面超声图像展开算法,首先对N个采集点进行Landmark点抽取,采用基于Fibonacci堆的Dijkstra算法计算Landmark点间的近似测地距离,利用多维尺度变换构造保持曲面拓扑结构的2D空间,根据剩余采集点到landmark点的距离确定其坐标,对曲面展开后各点的欧氏距离加权优化,使展开前后测量点间距尽可能保持相等。实验表明,该方法计算速度为2~4 s,误差约为0.1,与Isomap算法相比均有提高。

基于ASL-Isomap流形学习的滚动轴承故障诊断方法

针对滚动轴承故障特征集维数高及冗余问题,提出一种基于自适应自组织增量学习神经网络界标点的等度规映射(Adaptive self-organizing incremental neural network landmark Isomap,ASL-Isomap)流形学习的滚动轴承故障诊断方法。首先,从时域、频域、时频域以及复杂域提取振动信号的故障特征,构建高维混合域故障特征集;其次,采用ASL-Isomap方法对高维混合域故障特征集进行维数约简,提取出低维、敏感特征子集;最后,应用核极限学习机(Kernel extreme learning machine,KELM)分类器对低维特征进行故障识别。ASL-Isomap方法集成自适应邻域构建和SOINN界标点选取的优势,能够更有效挖掘数据的低维本质流形。圆柱滚子轴承故障诊断实验验证该故障诊断方法的有效性和优越性。

HL-Isomap+SVM在网络入侵检测中的应用

支持向量机所具有的处理小样本和良好的推广能力的优势,在入侵检测中得到了广泛应用。考虑到数据特征的高维性和冗余性,特征提取是一个关键步骤。采用非线性流形学习算法L-Isomap对入侵检测数据进行特征选择,然后应用one-classSVM训练并识别异常。通过将异构值差度量(HVDM)距离代替欧几里德距离提出了HL-Isomap。选用KDD数据集来比较上述不同模型,实验结果表明了降维方法的有效性,尤其是误警率性能得到了显著的提高。

Isomap算法在地震属性参数降维中的应用

本文针对非线性高维地震属性参数降维的困难,引入了一种新的非线性降维方法Isomap,并将Isomap降维的结果与线性的MDS降维结果通过小波神经网络进行检验,从算法原理的角度讨论了Isomap算法在地震属性参数降维处理中的可适性.

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。