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。

基于t类加权核函数的主成分分析维度约简算法

目前众多数据具有高维度特点,含有大量与类别标签无关的特征。直接应用机器学习方法对其进行分类,不仅会消耗大量的时间,而且难以获得较好的分类性能。针对该问题,文章提出一种基于加权核主成分分析(WKPCA)的维度约简算法,依据核矩阵特征值构造核函数权重,将多个核函数进行组合加权,进而达到特征降维的目的;为了提高WKPCA的维度约简效率,构造了t类核函数并且给出了相应的理论证明;以支持向量机、随机森林和朴素贝叶斯为分类器,对6个真实的数据集进行试验分析,结果表明与全变量模型、线性主成分降维以及单个核函数降维相比,WKPCA维度约简算法可以有效提高目前主流机器学习方法的分类预测性能。

基于加权核主成分的朴素贝叶斯分类方法

在大量的现实数据中,属性之间往往存在高度相关性,而朴素贝叶斯分类方法假定属性之间相互独立,如果不进行预处理直接将全变量参与到贝叶斯分类模型中,有时会导致其分类性能不佳。针对该问题,文中提出加权p-范数t核降维方法,并基于核矩阵特征值给出权系数计算公式;对于核函数中的参数,采用包裹式学习算法以及交叉验证确定相对最优值,最后构建了加权p-范数朴素贝叶斯分类算法。实证分析表明,相比于全变量模型、主成分分析以及单核主成分分析,利用文中提出的方法对4个医学数据集进行降维,在得到的数据集上进行朴素贝叶斯分类,可以显著提高其精度。