基于t分布随机邻域嵌入的阿尔茨海默症诊断模型

对大脑皮层厚度数据进行建模从而实现阿尔茨海默症的诊断.在训练样本少,数据复杂且非线性的情况下,相比于BP神经网络和k最近邻等算法,支持向量机算法表现出更优良的特性.针对支持向量机算法受数据高维度的影响,将t分布随机邻域嵌入算法引入到支持向量机模型.t分布随机邻域嵌入算法既能撷取原始高维数据的局部信息,也能揭示全局结构.t分布随机邻域嵌入算法先将这些非线性数据降维到低维空间,支持向量机算法再将这数据映射到新的高维空间,通过寻找最佳分类超平面的方法,使分类效果达到最佳水平.最后将集成学习算法AdaBoost的思想融入模型,可以使模型的分类准确率得到提升,而且变得鲁棒性更强.

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。

BH随机邻域嵌入在驾驶行为识别中的应用

针对驾驶系统处理大量驾驶数据时出现的效率和精度不足的问题,提出一种基于巴恩斯哈特随机邻域嵌入(BH-SNE)和径向基函数神经网络(RBFNN)的识别算法。从手机传感器中获取加速度数据、陀螺仪数据和磁强计数据,融合这三种传感器数据,经过预处理后使用BH-SNE完成降维处理,将降维数据输入到RBFNN中识别出驾驶行为。实验结果表明,BH-SNE的效率远高于t分布式随机邻域嵌入(t-SNE),并且可视化效果优于t-SNE,该模型的整体识别率为98.8%,分类效果优于传统的机器学习算法。

基于WPD-tSNE-SVM方法的电站机组主轴故障诊断分析

为提高电站机组主轴故障诊断效率,设计一种WPD-tSNE-SVM组合模型,采用小波包混合特征与支持向量机(SVM)对电站机组轴承开展故障诊断。研究结果表明:采用t分布式邻域嵌入方法降维数据呈现规律分布特征,说明小波包混合特征提取方法能够满足有效性。非线性SVM多故障分类器能够满足小波包混合特征的精确故障分析,各分类器都可以实现小波包混合特征集的高效分类,以径向基核函数设置的非线性SVM诊断方式达到了更高的准确率,从而为之后的维护保养过程提供参考价值,促进维护效率的进一步提升,有效保障电站机组主轴处于稳定运行状态。根据该方法诊断主轴轴承运行故障,为后续维护保养提供指导意义,获得更高的维护效率,确保电站机组主轴运行稳定性。

基于可见-近红外光谱及随机森林的鸡蛋产地溯源

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。

集成KPCA与t‑SNE的滚动轴承故障特征提取方法

针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Component Analysis,KPCA)与t‑分布随机邻域嵌入(t‑distributed Stochastic Neighbor Embedding,t‑SNE)的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用KPCA降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过t‑SNE充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到k‑近邻分类器(k‑nearest Neighbor Classifier,KNNC)进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。

基于Mt-SNE的冷水机组故障特征检测研究

针对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,提出基于马氏距离的t分布随机邻域嵌入算法(Mt-SNE)。用改进的算法对输入数据进行降维处理,并将输出结果作为支持向量机(SVM)的输入向量进行分类,采用ASHRAE制冷系统故障实验数据进行模型训练与验证。结果表明,该算法比传统的线性降维算法主元分析法(PCA)和非线性降维算法t分布随机邻域嵌入(t-SNE)都有更好的特征提取能力,可以用于冷水机组故障数据的特征提取。

一种基于降维密度聚类的船舶异常轨迹识别方法

目的有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9048、0.9534、0.8218、0.6627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。

基于卷积神经网络的交直流输电系统故障诊断

随着交直流输电系统规模的不断扩大,电网结构和故障特征愈加复杂,现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征,急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络(CNN)的电网故障诊断方法。首先,通过逐层筛选、逐层增叠的网络构造方式逐步测试,其目的是为了构建充分适应于电网故障诊断的网络结构;然后,利用网络层级优化策略调整训练参数,并以交叉熵最小为目标对深层故障特征进行挖掘;最后,在MATLAB/Simulink平台上搭建交直流输电系统模型,结合t分布随机邻域嵌入(t-SNE)可解释性技术展示诊断效果,通过与传统方法对比证明所提方法能够深度挖掘故障特征且具备很高的诊断准确率。

基于纯电动汽车高频数据的驾驶风格分类方法

基于纯电动汽车的高频运行数据选取了15项与驾驶安全有关的特征参数;通过对各特征参数的统计分析,提出了多参数组合阈值边界线进行危险驾驶行为识别,然后对比分析了两种聚类算法和4种降维方法的效果,采用t分布随机邻域嵌入(t‑SNE)和高斯混合模型(GMM)组合算法建立了驾驶风格分类模型,将驾驶风格分为3种类型。在此基础上,研究了不同驾驶风格对应的车辆运行特性。该分类模型能够有效反映驾驶员的驾驶习惯,为车队管理和道路安全提供可靠的评估依据。

基于空间坐标与振动特征融合的机床切削状态分类方法

t分布的随机邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)常被用作机床切削状态分类中的特征选择方法,以学习切削参数之间的潜在关系。为了提高切削状态分类的精度,融合振动信号特征与切削激励点的空间坐标,提出了空间坐标嵌入的t分布的随机邻域嵌入方法(spatial coordinate embedded t-SNE, Ct-SNE)。该方法采用振动信号构建高维特征空间,将空间坐标作为物理信息嵌入至特征空间,以优选出类内相似度高、类间差异性大的特征。试验采集了三轴立式铣床加工的数据,对比了传统t-SNE方法与Ct-SNE方法的可视化结果和切削状态分类的准确性。结果表明,与传统方法相比,切削激励点的空间坐标的引入可以提高振动特征的可区分度,显著提升切削状态分类的准确率。

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

基于改进t-SNE和RBFNN的柴油机故障诊断

针对柴油机故障诊断问题,提出一种基于改进t分布的随机邻域嵌入(t-SNE)和径向基函数神经网络(RBFNN)的柴油机故障诊断方法。针对t-SNE算法对振动信号的实际降维效果不够理想的问题,进行自适应加权优化;引入遗传算法(GA)解决果蝇优化算法(FOA)陷入局部最优的问题,将GA-FOA应用于RBFNN参数选取中;采用改进后的RBFNN模型对经自适应加权t-SNE降维的数据进行故障识别。研究结果表明,改进后的算法能明显改善聚类效果,提高故障识别的正确率,具有良好的应用前景。

基于多粒度级联森林的骨质疏松性骨折预测研究

目的骨质疏松性骨折(osteoporotic fracture,OF)的预测对于骨折防范具有重要的临床指导意义。针对传统logistic回归预测模型存在的精度不高和未考虑遗传因子问题,本文引入多粒度级联森林(multi-grained cascade forest,gcForest)并结合遗传因子来预测OF。方法首先基于 t 分布邻域嵌入( t -distributed stochastic neighbor embedding, t -SNE)算法对OF关联基因位点进行非线性降维,降维后的基因位点与临床因素构成特征组。然后构建gcForest模型对OF进行预测。最后通过10次十折分层交叉验证与logistic、梯度提升决策树、随机森林进行对比。结果基于gcForest的模型分类精度为0.892 7,AUC值为0.92±0.05,泛化性能最优。结论在考虑遗传因素的条件下,gcForest分类效果优于其他模型,验证了本文方法的高效性和实用性。

基于改进贝叶斯神经网络的光伏出力概率预测

光伏功率预测准确性对电网调度运行影响很大,传统的确定性预测方法对光伏出力波动的响应能力不足,给电网的安全稳定运行带来挑战。提出了基于改进贝叶斯神经网络的光伏出力概率预测方法,将神经网络的权重以概率分布的形式表示,提高了神经网络应对光伏出力随机性的能力;依据输入输出相关性进行特征降维,提高数据密度,抑制过拟合;在贝叶斯神经网络的输入端引入全连接神经网络与一维卷积神经网络,提高网络对不同输入数据的信息提取能力,提高预测精度。以实际系统为例进行实证分析,结果表明,与传统的确定性预测模型相比,所提方法在光伏出力波动时具有更高的预测准确率;与其他概率预测方法相比,所提方法在保持较高总体预测准确率的同时,预测功率区间更窄。

基于小波包混合特征和支持向量机的机床主轴轴承故障诊断研究

主轴轴承作为机床关键零部件,针对轴承故障信息比较复杂难以获取,并且故障数据样本少问题,提出了基于小波包混合特征和支持向量机(SVM)的数控机床轴承故障诊断方法。首先对轴承振动信号进行小波包分解和重构,提取信号的混合特征构建联合特征空间;然后使用t-分布式随机邻域嵌入法对样本数据进行降维,观测混合特征样本集的数据分布;最后使用非线性SVM进行故障分类。经过现场数控机床数据验证,对主轴轴承内圈、外圈和滚珠的故障识别的准确率为100%,与线性SVM以及BP神经网络的故障分类效果来比较,该方法能更加精准地识别出了数控机床主轴轴承故障。

基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断

多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中。为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和精细复合广义多变量多尺度模糊熵(Refined Composite Generalized Multivariate Multiscale Fuzzy Entropy,RCGmvMFE)的轴承多故障诊断方法。首先利用CEEMDAN对多信道的源信号进行分解获得无模式混叠的IMF。然后采用相关性分析方法对IMF分量进行筛选,选出对故障特征敏感的IMF作为多通道数据构成多元变量,并计算其RCGmvMFE组成故障特征。随后采用t分布随机邻域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)对高维特征进行维数约简。最后利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)对低维故障特征进行分类。实验结果表明,该方法能够有效地诊断轴承不同程度的故障,为滚动轴承的故障诊断提供了补充方法。