基于t-SNE-VNWOA的船舶柴油机故障诊断

文中提出一种基于t-SNE-VNWOA-LSSVM故障诊断模型,并进行了台架试验.试验设置了正常工况、供气不足、燃烧提前和单缸断油四种工况,将各种工况采集的缸盖振动信号进行快速傅里叶变换(FFT),提取了13个时域和频域特征,利用t分布邻域嵌入算法(t-SNE)对数据降维、可视化故障特征.结合鲸鱼优化算法(VNWOA)对分类器(LSSVM)初始参数δ2和γ寻优,搭建其故障识别模型,将遗传算法(GA)和粒子群算法(PSO)的寻优诊断结果与之对比.结果表明:基于t-SNE-VNWOA-LSSVM故障诊断模型精度高达96.57%,且具有良好的稳定性及诊断速度.

基于CAE-TSNE的成品油管道运行工况识别

成品油管道运行工况变化频繁,难以精准判断管道运行状态,依靠现场人员进行识别监控易造成误判。本文为实现管道运行工况的准确识别,考虑管道的物理空间特性,分析整理各站运行参数(压力、流量、密度);考虑管道运行的时间序列特性,基于SCADA管道数据构造运行数据矩阵,以克服单一时刻的瞬态扰动。针对管道运行数据高维度、非线性的特点,利用卷积自编码器(CAE)强大的特征压缩及重构能力对管道数据做降噪处理;利用T分布邻域嵌入算法(T-SNE)对管道数据做降维聚类处理,最终建立了基于CAE-TSNE的管道运行工况识别模型。以某两条成品油管道为例,对比主流的非线性分类模型(ANN、DT、RF),结果表明基于CAE-TSNE的工况识别模型精度最高,对降噪后的运行数据识别准确率可达到99%以上,可用于指导现场管道的运行管理。

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解(EEMD)熵特征提取、t-分布邻域嵌入(t-SNE)和粒子群优化-概率神经网络(PSO-PNN)的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数(IMFs),对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明:该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。

基于Wasserstein散度的t-SNE相似性度量方法研究

近红外光谱具有高维、高冗余、非线性的特性,严重影响了样本之间的相似性度量的精准,故而提出了一种基于Wasserstein散度的t分布随机近邻嵌入算法(Wt-SNE)。基于流形学习算法思想,利用高斯分布将高维数据的距离转换为概率分布,使用更加偏重长尾分布的方式t分布表示低维空间中对应数据点的概率分布。将高维数据的概率分布嵌入映射至低维度空间,重构低维流形结构,引入Wasserstein散度度量两个空间内概率分布的差异,通过降低散度值来提高两个分布的相似度,以此来实现高维数据降维处理。为验证Wt-SNE算法的有效性,首先对烟叶近红外光谱数据进行降维投影,并与PCA、 LPP、 t-SNE算法比较,结果表明Wt-SNE算法降维后的数据,在低维空间内样本类别边界更加明显。其次,采用KNN、 SVM和PLS-DA分类器对降维后的数据进行烟叶产地预测,准确率分别为93.8%、 91.5%、 92.7%,表明降维后的数据不仅重构了原始光谱的空间结构而且保留了样本间的相似度关系。最后,选取某一卷烟叶组配方中的烟叶进行单料目标烟叶的替换,根据备选样本与目标样本之间的马氏距离选取替换样本。实验表明,Wt-SNE选取的替换烟叶与目标烟叶相似度最高,烟碱、总糖等化学成分含量与目标烟叶差异较小,香气、烟气、口感得分表现出较高的一致性。该方法能够有效度量烟叶近红外光谱之间的相似性,为卷烟叶组配方的维护提供有力的依据。

基于深度自编码器和t-SNE算法的电梯故障预警

为提高电梯承运质量,针对电梯轿厢系统,设计基于深度自编码器(DAE)和t分布随机邻域嵌入算法(t-SNE)相结合的电梯轿厢系统故障预警模型。通过计算电梯轿厢系统运行时振动信号的重构误差,并将其与预警阈值进行对比分析,可以直观地对振动信号波形进行分类,判别轿厢系统运行是否出现异常,通过t-SNE算法进行可视化分析。实验结果表明:该模型能够有效实现电梯轿厢系统的故障实时预警功能,为电梯的预防性维护提供依据。

基于t-SNE降维和KNN算法的波浪传感器故障诊断方法

针对波浪传感器故障诊断困难、故障类型无法识别、诊断耗时长的问题,提出一种基于小波包分解、降维与k-近邻算法(k-nearest neighbor algorithm,KNN)分类网络的波浪传感器故障诊断方法。首先将原始信号进行标准差标准化处理,然后对标准化后的数据进行小波包3层分解,将分解后的第3层8个频带上的数据进行归一化处理,作为提取的特征向量,采用t-SNE降维算法对特征数据进行降维,最后将降维后的特征数据输入到KNN分类网络中进行故障分类检测。实验结果表明,该方法能够提高波浪传感器故障诊断的准确度和诊断速度,对正常状态和6种故障状态的诊断准确率能够达到93.55%。

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解(CEEMDAN)和t-分布随机邻域嵌入(t-SNE)算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量(IMF),提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。

EEMD分解的模糊熵t-SNE的齿轮故障诊断

针对齿轮容易出现故障的问题,提出了一种通过求集合经验模态分解(EEMD)分量的模糊熵,然后再通过t分布的随机邻域嵌入算法(t-SNE)降维,最后将降维后的矩阵输入神经网络进行分类的齿轮故障诊断方法。利用该方法,对正常和具有三种不同裂纹程度的齿轮进行故障诊断和分类,并将分类结果与通过PCA降维的分类结果进行比较。结果表明:通过t-SNE降维的分类准确率达到了100%,说明提出的方法具有较好的故障诊断和分类效果。

基于t-SNE降维的密度峰值聚类算法

为了提高密度峰值聚类(DPC)算法处理复杂高维数据的能力,提出了一种基于t-SNE降维的密度峰值聚类算法(t-SNE-DPC)。该算法用t-SNE算法对数据进行预处理,将高维数据点间的关系用概率分布映射到低维空间中,通过最小化相对熵最大化保留数据的本质特征,使用密度峰值聚类算法进行聚类操作。仿真实验结果表明,t-SNE-DPC可以高效地对高维数据进行聚类,在AMI指标上的聚类结果可达0.828。

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解(EEMD)、特征选择与t-分布邻域嵌入(t-SNE)的诊断方法。采用EEMD分解故障信号获得若干本征模态函数(IMF),采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机(LSSVM)中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。

改进的加权t-SNE算法及在故障诊断中的应用

对随机邻域嵌入算法(SNE)中的距离进行改进,提出一种基于Manhattan距离的加权t-SNE(Mwt-SNE)算法。使用受空间维数影响较小的Manhattan距离作为度量方式,使用K-均值聚类算法将高维空间数据样本点距离分为三类,基于表格法进行权重参数寻优与加权,以加权相对Manhattan距离代替欧氏绝对距离计算相似度条件概率,从而增大数据对象之间的区分度,提升降维效果,增强分类显著性。提出基于Mwt-SNE算法的在线故障诊断模型,使用核密度估计(KDE)确定控制限并进行在线监控。TE化工过程实验表明,Mwt-SNE算法能有效降低误报率和漏报率,从而提高故障诊断稳定性和准确性。

面向数据集的ST-SNE算法高维数据降维研究

在数据挖掘和机器学习等领域中,数据降维是解决高维数据分析与处理难题的有效手段。对t-SNE降维算法进行了深入的研究,并对t-SNE计算高维空间样本点相似度的过程进行了改进。t-SNE算法直接利用样本点在高维空间中的欧氏距离来度量样本点的相似度,但欧氏距离在高维空间中不能忠实反映样本位于非线性流形上的相似关系。利用样本点在高维空间中的邻居结构,提出使用二阶邻近距离来度量样本点的相似度,并提出基于二阶邻近距离的随机近邻嵌入算法(Second Order t-SNE,ST-SNE)。在MNIST、USPS、COIL-20等多个数据集上进行了对比实验。实验结果表明,改进后的算法提升了降维结果的分类准确度和可视化效果。

基于小波阈值去噪与t-SNE的船舶柴油机故障识别

通过对船舶柴油机振动信号的分析研究,文章提出一种基于小波阈值去噪和t分布随机邻域嵌入算法(t-SNE)结合的船舶柴油机故障识别方法。首先通过多种不同的阈值处理方式对采集的振动信号进行小波阈值去噪,使用小波能量谱对数据进行特征提取,并利用t-SNE对高维特征向量降维,最后使用GA-SVM进行故障分类。实验结果证明,文章提出的方法能够较正确地对柴油机的故障模式做出诊断。

基于E-t-SNE的混合属性数据降维可视化方法

针对传统的t分布随机近邻嵌入(t-SNE)算法只能处理单一属型数据,不能很好地处理混合属性数据的问题,提出一种扩展的t-SNE降维可视化算法E-t-SNE,用于处理混合属性数据。该方法引入信息熵概念来构建分类属性数据的距离矩阵,采用分类属性数据距离与数值属性数据欧式距离相结合的方式构建混合属性数据距离矩阵,将新的距离矩阵输入t-SNE算法对数据进行降维并在二维空间可视化展示。此外,为验证算法有效性,采用k近邻(kNN)算法对混合数据降维后的效果进行评价。通过在UCI数据集上的实验表明,该方法在处理混合属性数据方面,不仅具有较好的可视化能力,而且能有效地对不同类别的数据进行降维分簇,提升后续分类器的分类准确率。

基于t-SNE的脑网络状态观测矩阵降维方法研究

针对基于功能核磁共振重构的脑网络状态观测矩阵维数过高和无特征的特点,对其降维方法展开研究,给出了基于t-SNE的脑网络状态观测矩阵降维算法,并且利用Python实现了降维及可视化平台。实验结果表明,与目前主流的其他降维算法相比较,使用该方法得到的脑网络状态观测矩阵低维空间的映射点有明显的聚类表现,并且在多个样本上的降维结果显现出一定的规律性,从而证明了该算法的有效性和普适性。

自适应加权t-SNE算法及其在脑网络状态观测矩阵降维中的应用研究

针对目前数据降维算法受高维空间样本分布影响效果不佳的问题,提出了一种自适应加权的t分布随机近邻嵌入(t-SNE)算法。该算法对两样本点在高维空间中的欧氏距离进行归一化后按距离的不同分布状况进行分组分析,分别按照近距离、较近距离和远距离三种情况在计算高维空间内样本点间的相似概率时进行自适应加权处理,以加权相对距离代替欧氏绝对距离,从而更真实地度量每一组不同样本在高维空间的相似程度。在高维脑网络状态观测矩阵中的降维实验结果表明,自适应加权t-SNE的降维聚类可视化效果优于其他降维算法,与传统t-SNE算法相比,聚类指标值DBI值平均降低了28.39%,DI值平均提高了161.84%,并且有效地消除了分散、交叉和散点等问题。

基于改进t-SNE算法的人体运动数据关键帧提取

针对根据关键帧重建运动序列时重建误差率较高的问题,提出一种基于改进的t-SNE降维算法,提取人体运动数据关键帧。利用t-SNE对原始运动数据进行降维,通过改变t-SNE中函数宽度参数的计算方法,得到稳定的低维特征曲线。提取低维特征曲线的局部最大值、最小值作为初始关键帧,再使用曲线幅度算法提取最终的关键帧序列。实验结果表明,在相同压缩比下,与其他关键帧提取方法相比,该方法具有较低的重建误差率。

t-SNE降维的红松籽新旧品性近红外光谱鉴别

新旧品性是体现红松籽食用价值和育种价值的重要标准。贮存期长短不同的红松籽的深加工价值不同,但是通过外观形态、重量和质地等很难分辨。目前仍采用传统生物化学方法对红松籽化学性质及种子活性进行检测,判断其新旧品性,这种方法耗时较长难以满足在线检测的需求,并且试剂处理不当会对环境造成污染。近红外光谱检测在食品和林业领域中被广泛应用,对带壳坚果类林产品的定性分析有实际和指导意义。采用近红外光谱分析技术,对成熟于当年和往年的红松籽进行无损检测研究。首先,将随机抽选的120个按新旧分类的红松籽作标记,为了减少测量过程中的漏光现象并且使实验数据具有一般性,统一采集松籽样本同一侧面的近红外漫反射光谱;然后,利用标准正态变量变换(SNV)、一阶导数以及卷积平滑(SG)算法对原始光谱进行预处理,以减少实验过程中人为因素及预处理方式带来的影响,突出近红外光谱的特征信息;随后,使用主成分分析(PCA)和t-分布邻域嵌入(t-SNE)对预处理之后的数据进行线性与非线性降维,聚类分析并比较降维效果。通过数据可视化以及聚类参数的输出,比较得出效果较好的降维方案。红松籽近红外数据应用非线性降维处理效果优于传统线性方法,于是运用t-SNE对数据降维以得到优化后的特征变量;最后,以降维之后的数据作为输入,将2/3的试样数据作为校正集用于建立新旧籽分类的支持向量机校正模型,将1/3的试样数据作为验证集用以对模型性能进行验证。结果表明:使用SNV、求导和SG叠加的方法对光谱进行预处理能够有效消除噪声,使吸收峰更明显,光谱轮廓更加清晰平滑,更有助于后期模型的建立;将数据使用t-SNE方法降至二维作为分类模型的输入,并且当核函数选择RBF,K取值为5,γ取82.54,惩罚系数C为383.12时,所建立的SVM分类模型分类效果最好,准确度可达97.5%,平均耗时0.02 s。利用近红外光谱分析方法能够对红松籽新旧品性实现无损检测。

t-SNE+LDA算法在仿生嗅觉中的应用研究

将流形学习中的t-SNE算法引入仿生嗅觉领域中,提出一种基于t-SNE(t-分布邻域嵌入)与LDA(线性判别分析)算法相结合的气味分类鉴定新方法。由PEN3电子鼻获取物质气味特征信息,通过t-SNE算法将非线性、高维度的气味响应数据降维到低维空间,并利用LDA算法对低维数据进行分类和识别。利用五种不同成分的纺织品材料气味信息,通过t-SNE、PCA+LDA和t-SNE+LDA三种算法做对比实验。实验结果表明,相较于其他两种方法,t-SNE+LDA算法对常见的不同成分纺织品材料拥有更好的分类和识别效果,而且t-SNE+LDA算法得到的结果具有较小的类内离散度和较大的类间离散度。因此,t-SNE+LDA算法是仿生嗅觉中气味分类和识别的一个新方法。

基于t-SNE声音情报识别的可视化系统在E-learning平台应用——以鸟类音频情报识别为例

随着教育信息化的迅速发展,音频情报数据在E-learning情报系统的应用以惊人的速度得到普及。如何将信息以可视化方式呈现给用户以减轻其认知负荷,是E-learning情报系统面临的主要问题。文章的主要目标是设计与实现基于t-SNE算法的应用于鸟类辨识教育E-learning平台的数据可视化系统。该系统首先获得各种鸟类的叫声,并对获得的声音进行预处理降噪,再通过STFT算法提取声音特征,并对得到的声音特征矩阵进行向量化,最后,用t-SNE算法进行降维,从而实现数据的可视化。