基于边界判别多流形分析的故障数据集降维方法

针对现有多流形学习方法未考虑流形间边界信息而导致降维后数据不易于分类的问题,提出一种新的边界判别多流形分析(margin discriminant multi-manifold analysis,MDMA)方法。该方法同时考虑数据的类内相似性、类间差异性、同类流形结构和异类流形结构,并且为避免降维过程中出现小样本问题,在构造目标函数时将这4点归结为指数化迹商优化结构。通过两个转子系统试验数据集进行验证。结果表明,与其他几种典型降维方法对比,该方法能更有效地提取出蕴含在数据中的判别信息,在故障辨识中表现出更好的分类性能。