结合指数函数改进的随机近邻嵌入式短文本聚类

近年来深度学习在短文本聚类方面发挥巨大作用,最近提出的短文本聚类(Short Text Clustering, STC)算法在此方面取得不错的成效。为进一步提高聚类准确率并优化算法性能,基于指数函数提出改进的随机近邻嵌入算法。该算法用指数函数度量样本点与聚类中心差距,放大不同特征差别,并在后期使用k-means++算法预先确定聚类中心与聚类数目。在Stackoverflow数据集上的实验证明,随机指数嵌入聚类模型(e-STC)在准确率与标准互信息上均优于原STC模型,准确率相对提高3.2%,互信息相对提高2.9%。

一种基于t-分布随机近邻嵌入的文本聚类方法

文本数据具有高维、稀疏、海量的特性,给传统的聚类算法带来了极大挑战.提出一种基于t-分布随机近邻嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)的文本聚类方法.首先通过t-SNE将高维文本数据嵌入到低维空间,使得高维空间相似度较低的文本对应的映射点距离较远,而相似度较高的文本对应的映射点距离较近;然后根据低维空间映射点坐标,再采用传统的聚类分析算法进行聚类,得到最终的聚类结果.在多个基准文本数据集上进行了实验测试,验证了该方法的有效性.

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).

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t-SNE降维和放射传播聚类算法的低压配电网相位识别

智能电表的广泛普及和高级测量体系(advancedmeteringinfrastructure,AMI)的建立为分析配电网运行情况提供了大量监测信息与测量数据,而台区用户的相位信息变动又为准确掌握台区运行情况带来难题。针对台区用户的相位识别问题,提出了一种基于用户电压数据的t分布随机邻接嵌入(t-distributed stochastic neighbor embedding,t-SNE)特征提取及放射传播(affinity propagation,AP)聚类算法的相位识别方法。先对提取出的用户电压数据进行Z-score数据标准化处理,由t-SNE降维提取出数据特征,再采用放射传播聚类算法对用户进行相位识别。选取某市2个小区进行算例分析,采用评价指标比较了不同识别方法的识别效果,并分析了数据采集频率和计量误差对识别效果的影响。实际台区算例分析验证了所提方法的准确性,说明所提方法能够有效解决台区用户相位识别问题。

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。

基于t-分布粒子滤波器的目标跟踪

针对贝叶斯跟踪中目标状态的预测分布和后验分布,利用序列蒙特卡洛方法,基于多变量t-分布提出了一种新的粒子滤波算法,称之为t-分布粒子滤波器.为了根据样本估计目标状态的概率分布,提出了一种新的ECME算法,并嵌入到t-分布粒子滤波器中.理论分析表明,在t-分布条件下,t-分布粒子滤波器是在样本数量上的渐近最优估计器.在机动目标跟踪实验中,比较了t-分布粒子滤波器、无色卡尔曼滤波(Unscented Kalm an filter)及自助式粒子滤波器(Bootstrap partic le filters)的跟踪精度.

融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。

温变下基于奇异谱分析的机电阻抗损伤识别法

为消除温度变化对损伤识别的影响,采用奇异谱分析(singular spectrum analysis,简称SSA)方法处理阻抗信号以分离不受温度变化影响的信号分量,提出结合t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding,简称t-SNE)与K均值聚类算法的无监督机器学习方法,进一步处理信号分量实现损伤识别。为验证该方法的可行性,以螺栓组连接的铝板结构作为实验对象进行温度变化工况下螺栓松动机电阻抗损伤识别实验。结果表明,应用SSA方法得到的信号分量能在温度变化影响下有效识别螺栓松动状态,各工况识别准确率均达到98%以上,证明了所提出方法对消除温度变化影响的有效性。

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。

Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用

电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统规划与可靠、经济运行方面具有十分重要的意义,影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。该文针对电力负荷预测的多种气象因素影响,提出一种基于Tsne降维可视化分析及飞蛾火焰优化ELM算法(MFOELM)的电力负荷预测新方法。针对影响电力负荷预测的高维气象数据,采用改进的SNE降维可视化分析方法Tsne,解决了数据拥挤造成可视化效果不佳且数据结构易发生改变的问题,通过与Kpca、SNE降维方法的对比实验,证明了Tsne可以更好地将高维气象数据向低维空间映射,较高地保持高维空间中的数据结构并改善数据可视化效果;针对ELM负荷预测模型的局限,利用MFO在求解具有约束和未知搜索空间的复杂问题时具有的优越性对ELM优化,更好地解决了ELM权值输出不稳定,易陷入局部最小值等问题。通过对SAELM、PSOELM、MFOELM三种预测算法进行寻优实验,结果表明MFO不但具有更快的求解速度,而且提高了ELM的预测精度。通过对国际公开的美国日气象数据降维,协同负荷数据进行预测进行对比实验,证明了该文方法的有效性和优越性。该文方法在唐山实际电网负荷预测中应用,为制定合理的电网运行方式提供依据。

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。

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.

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。

基于人口格网的南昌市公园可达性研究

在城市公共基础设施中,公园绿地占据着重要的位置。通过对公园空间布局的可达性研究,有助于确保城市居民更为便捷、更具公平性地享受公园所提供的服务和功能。根据修正后的南昌市人口格网和百度地图AOI数据,采用高斯两步移动搜索法对步行、骑行和公交3种出行方式下的公园可达性进行评估,结合经济学领域的基尼系数和洛伦兹曲线,对各种出行方式的公平性指数进行分析。根据公园可达性分布情况,进一步运用t-SNE降维技术,并采用高斯混合聚类方法对公园可达性和人口需求进行了组合分区。结果表明:1)在南昌市全域范围内,不同出行方式下的公园可达性存在显著差异,其中骑行可达性最高,步行可达性最低,而公交可达性受地域与时间因素影响呈现较大不确定性;2)南昌市划分为4个组合区域:低需求-低可达性区、高需求-高可达性区、高需求-低可达性区与低需求-高可达性区。此研究不仅揭示了南昌市公园可达性的空间差异,还提供了关于城市公园布局优化的见解,有助于指导未来的城市规划和公园建设工作。

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。