基于t-分布随机邻域嵌入融合最优多频带盒维数的牵引整流器故障诊断

针对电力机车牵引变流器中故障率较高的牵引整流器,提出一种基于t-分布随机邻域嵌入(t-SNE)融合最优多频带盒维数特征的故障诊断方法。首先,在最优小波基函数的基础上,利用小波包分解牵引整流器在不同工况、不同运行模式下的故障信号,得到一系列的最优频带;其次,计算各频带系数的分形盒维数,作为高维故障特征;最后,采用t-SNE流形学习对高维特征进行融合,以减少特征之间的冲突和冗余,得到简单敏感的故障特征。结果表明:信噪比为30 dB时,15种故障模式的最终诊断结果为99.79%,对不同的信噪比仍有较高的准确率。与其他方法相比,所提方法对不同类型开关器件(绝缘栅双极晶体管和电力二极管)的开路故障具有较高的诊断率和较强的鲁棒性。

基于AVMD和排列熵的t分布邻域嵌入流形HHO-SVM模拟电路故障诊断方法

随着信息大数据时代的到来,对于电子系统的依赖程度越来越高,因此模拟电路的故障诊断的准确度要求与日俱增。而模拟电路故障诊断困难,是电子系统诊断维修的瓶颈。本文提出基于自适应变分模态分解(AVMD)和排列熵(PE)的t分布邻域嵌入流形哈里斯鹰优化支持向量机(HHO-SVM)模拟电路故障诊断方法。首先,利用AVMD对待测电路的观测信号进行自适应变分模态分解,得到多组IMF信号,不仅可以克服噪声干扰,而且可以来自适应地确定分解模式的数量,进一步提升分解精度;再对IMF计算排列熵,以充分体现IMF不同时段局部特征,二者相结合构建故障特征向量。并在此基础上,采用t分布式随机邻域嵌入(t-SNE)实现特征空间的流形学习和降维,构建具有良好区分度且保留原来的局部结构特征的故障特征向量;最后依靠哈里斯鹰优化支持向量机(HHO-SVM),使其具有良好的分类准确度,从而最终完成电路故障诊断。通过仿真验证,结果显示,本文方法故障诊断正确率可达100%,效果良好。

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。

融合t-分布随机邻域嵌入与自动谱聚类的脑功能精细分区方法

本文针对目前脑功能分区不够准确的问题,基于静息态功能磁共振数据,提出了一种融合t-分布随机邻域嵌入(t-SNE)与自动谱聚类(ASC)的人脑功能精细分区的算法.首先,基于静息态功能磁共振图像,对需功能划分的脑区与全脑的时间序列作相关分析,得到需划分脑区的功能连接模式;然后,利用t-SNE算法提取高维功能连接模式特征;最后,通过基于本征间隙的ASC算法自动确定聚类数目,并对降维后的脑区特征分类,得到精细划分的脑亚区.模拟种子区域上的实验结果表明,相较谱聚类算法,以及结合主成分分析的谱聚类算法,本文方法对脑功能体素划分更优.进一步将本方法应用到真实人脑的功能分区中,成功地将海马旁回分为左右半球各3个亚区.本研究表明使用t-SNE与ASC融合的算法可提高脑功能分区准确性,是脑功能精细分区、进而构建脑功能图谱的一种有效方法.

基于t-SNE和ECOC-SVM的电力变压器故障诊断

支持向量机(SVM)应用于电力变压器故障诊断领域已取得了较多成果,但仍然存在SVM超参数难以确定及SVM适用于二分类问题等缺点。本文提出一种基于纠错输出编码融合支持向量机(ECOC-TLWSO-SVM)的故障诊断模型。首先使用t分布式随机邻居嵌入(t-SNE)对基于相关比值法构建的26维DGA特征进行维度缩减,此外为解决SVM为二分类模型的缺点,提出ECOC融合SVM构建多分类SVM模型。诊断结果表明本文提出的模型的诊断性能最佳,相比其他模型,具有较强的优越性。

改进T分布随机近邻嵌入改进聚类的机械故障分类方法

轴承、齿轮等零部件作为机械设备的关键组成部分,它们的运行状态直接影响着整个系统的安全。为此,提出了T分布随机近邻嵌入改进的机械故障诊断方法。该方法将机械故障信号历史监测信号作为原始特征库,采用t-SNE降维算法提取机械故障信号的主特征矩阵,基于改进的聚类算法搜寻每一采样时刻的聚类中心,分别计算在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,从而实现故障的准确预测。结果表明,所提出的方法能够准确地分类不同机械故障模式,有助于保障设备健康平稳运行。

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。

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DTCWPT和t-SNE的去噪方法及在故障诊断中的应用

为了提取被强噪声淹没的机械设备振动信号中蕴含的微弱故障特征,依据有用信号和噪声在空间分布特性的不同,将流形学习的方法引入到信号降噪中,提出一种将双树复小波包(DTCWPT)和t分布随机近邻嵌入(t-SNE)结合的去噪方法,充分利用了DTCWPT分解的多尺度特性以及t-SNE的非线性降维能力。将振动信号进行双树复小波包分解,依据各尺度小波包系数Shannon熵值搜索最佳小波包基,利用提出的新的阈值函数,对最佳小波包基的小波包系数进行去噪并单支重构组成高维信号空间,然后,采用t-SNE提取高维空间的低维流形,对低维信号序列进一步采用阈值去噪,利用谱回归分析重构回一维信号序列。最后,通过对仿真信号与滚动轴承振动信号进行去噪,结果证实了方法具有良好的非线性去噪性能,将仿真信号的信噪比从-1提高到8.6 d B,并且能更有效的提取强噪声干扰下滚动轴承的故障特征频率。

基于IMF奇异值熵和t-SNE的滚动轴承故障识别

针对滚动轴承振动信号非线性、非平稳性以及故障难以识别的问题,提出了一种经验小波变换(EWT)、奇异值熵和t分布随机领域嵌入(t-SNE)相结合的滚动轴承故障识别方法。对原始振动信号进行EWT分解得到若干固有模态分量(IMF),对IMF进行奇异值分解求取奇异值熵。利用t-SNE算法对奇异值熵组成的特征矩阵进行降维,所提取的低维特征能够有效反映故障信息。最后,将低维特征输入到Kmeans分类器中进行模式识别。将该方法应用到滚动轴承实验中并与EMD+奇异值熵+t-SNE、EWT+奇异值熵+PCA方法进行对比,结果表明:所提方法能够更有效地提取滚动轴承的故障特征,提高了故障识别的精度。

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。

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。

基于费希尔信息度量的随机近邻嵌入算法

为提高文本分类的准确率,提出了费希尔信息度量随机近邻嵌入算法(Fisher information metric based on stochastic neighbor embedding,FIMSNE).首先,把文本的词频向量看作统计流形上的概率密度样本点,利用费希尔信息度量计算样本点之间的距离;然后,从信息几何的观点出发,对t分布随机近邻嵌入(t-stochastic neighbor embedding,t-SNE)进行改进,实现了新算法.真实文本数据集上的二维嵌入和分类实验的结果表明:FIMSNE的性能在总体上优于t-SNE、费希尔信息非参数嵌入(Fisher information nonparametric embedding,FINE)和主成分分析(principal components analysis,PCA).

基于t-SNE的PQD特征提取可视化仿真分析

针对电能质量扰动(power quality disturbance,PQD)的复杂性,提出了一种基于t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)流行学习算法的PQD特征提取方法。首先,建立了常见的PQD信号数学模型,并考虑了扰动参数和噪声的影响;其次,采用小波分解得到信号的小波能量向量构造原始特征集;最后,通过t-SNE算法进行二次特征提取,得到保持样本高维空间结构的,敏感度高且聚类性好的低维特征。仿真实验结果证明了提出的基于t-SNE的特征提取方法在PQD分析中的有效性。

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。

基于t-SNE和核马氏距离的滚动轴承健康状态评估

针对滚动轴承在健康状态评估过程中,退化状态特征筛选和健康指数难以构建等问题,提出了一种基于t-SNE(t-distribution Stochastic Neighbor Embedding)和核马氏距离的滚动轴承健康状态评估方法。首先,利用随机森林算法筛选出重要性较高的退化状态特征,并构建高维相对退化状态特征;其次,为防止退化状态特征冗余对评估结果产生影响,利用t-SNE对高维相对退化状态特征集进行降维,将退化状态特征进行融合;最后,将其与等距映射(Isometric mapping,Isomap)、KPCA方法对比,以验证t-SNE流形学习算法进行退化状态特征降维的有效性与优越性,结果表明t-SNE算法具有一定优势。最终结果验证了所提方法的有效性。

基于t-SNE和LSTM的旋转机械剩余寿命预测

针对旋转机械的剩余使用寿命预测问题,提出了一种基于t分布随机近邻嵌入(t-SNE)和长短期记忆网络(LSTM)的预测方法。将t-SNE降维方法引入旋转机械振动信号特征提取,实例验证表明无论针对时频域特征或小波包分解得到的能量特征,经t-SNE降维后特征区分度更加明显,利用降维后的特征进行故障模式识别,正确率接近100%;提出利用样本间散度作为旋转机械退化指标,实验表明样本间散度对旋转机械性能退化趋势的表现相比其他指标更加明显;以不同的训练样本量,利用LSTM方法进行剩余使用寿命预测,为了验证LSTM方法的有效性,将其与BP神经网络、灰色预测模型、支持向量机等方法进行比较,结果表明LSTM方法能够预测旋转机械退化趋势,显著提高剩余使用寿命的预测精度,对旋转机械的健康监测和寿命预测具有一定的理论指导意义。

基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识

低压台区单相用户的相位及接入表箱信息的准确性对户变关系纠错和线损治理分析有重要影响。目前,拓扑档案的校验主要依靠电力员工现场排查,人力物力消耗大且排查效率低下。因此,亟需一种效率较高的低压台区拓扑档案校验方法。在此背景下,文中提出了一种基于智能电表电压数据的低压台区单相用户相位及接入表箱辨识方法,可以为低压台区的拓扑辨识及排查提供参考。首先,采用t分布的随机近邻嵌入(t-SNE)技术对原始负荷数据进行降维处理,解决台区用户原始负荷特征维度过高带来的冗余性问题;接着,应用BIRCH方法对降维后的负荷数据进行聚类,实现台区下单相用户所属相位和接入表箱的辨识。最后,以浙江省海宁市某台区为例进行验证,算例分析的结果表明所提模型具有可行性和有效性。