模糊fisher比率的故障诊断
基于模糊Fisher比率的故障诊断其实就是数字系统信号的故障诊断，它是通过对所得到的信号判据处理筛选得到具有特定故障特征的结果，分析出哪几项或者哪几类数据对于故障诊断的帮助更为有帮助。如何正确、有效的抽取故障特征判据就显得尤为 重要。这也从正面对特征数据降维的方法与研究提出了要求。特征降维和聚类分析作为模式识别领域的两个重要研究课题，也是实现基于Fisher比率故障诊断当中的两个主要难题。特征降维在模式识别中的起着特别重要的作用，有助于去除多余特征，降低原始数据集的维数。聚类分析作为一种重要的非监督模式识别工具，可用于多种领域。本文将通过对FCM算法如何结合特征抽取，达到降维的目的，推到出FFC-SFCA算法与特征降维的代码，从而达到分类并且降维的目的，为故障诊断降低难度。并且最终用UCI数据集的通用数据通过Libsvm作测试，证明FFC-SFCA算法的可行性。关键词 模糊Fisher准则，特征降维，聚类分析，FFC-SFCA算法，特征抽取，特征选择,UCI标准数据集，Libsvm目录
1 引言 1
1.1 课题的研究背景及意义 1
1.2 课题研究的主要内容 2
2 特征降维 2
2.1 特征降维的研究背景及现状 2
2.2 数据降维常用方法 3
3 Fisher准则与模糊Fisher线性判别 6
4 聚类分析 10
4.1 模糊聚类的研究背景及现状 10
4.2 FCM算法 11
4.3 FFC_SFCA算法 15
4.4 UCI标准数据集 16
4.5 FFC_SFCA算法应用于UCI数据集的实验 16
5 LIBSVM简介 17
5.1 LIBSVM 参数介绍 18
5.2 LIBSVM 使用方法 19
5.3 利用LIBSVM 进行数据分类 19
6 用Libsvm对用FFC_SFCA方法降维后的UCI数据集做测试实验 22
结论 32
致谢 33
参 考 文 献 34
1 引言
现如今随着科学技 *好棒文|www.hbsrm.com +Q: ￥351916072￥
5.1 LIBSVM 参数介绍 18
5.2 LIBSVM 使用方法 19
5.3 利用LIBSVM 进行数据分类 19
6 用Libsvm对用FFC_SFCA方法降维后的UCI数据集做测试实验 22
结论 32
致谢 33
参 考 文 献 34
1 引言
现如今随着科学技术的飞速发展，现代化生产的规模不断扩大，各种工业装备的结构越来越复杂，功能越来越完善，自动化程度也越来越高，并且现代工业工程（IE）的基本使命就是在新的不断变化的科学技术和生产力条件下，研究生产经营管理系统，不断提高生产率、经济效益和市场竞争能力。就迫使人们在故障诊断方面，进行了大量的研究，形成了“故障诊断”这一研究领域。而模糊Fisher准则是针对传统Fisher准则只能用于有监督模式，将模糊理论引入Fisher准则，提出一种基于模糊Fisher比率的特征选择算法，并将其应用于UCI标准数据集及机械故障数据测试。因此，基于模糊Fisher比率的故障诊断方法在故障诊断中，就显得尤为重要。
1.1 课题的研究背景及意义
现如今我们都生活在一个科技飞速发展的年代，在日常生活的实际应用中我们越来越多的遇到高维数据,由于高位数据空间的特点，直接对这些高维数据进行处理是非常费时且费力的,并且很容易出现所谓的“维数灾难”问题[1].降维(dimensionality reduction)是根据某一准则,将高维数据变换到有意义的低维[2].因此,降维能够在某种意义上克服维数灾难[3]。
现代社会中，大规模科学和工程计算问题对计算机的速度提出了非常高的要求。在图像和数据处理方面,大规模的匹配、神经网络计算及其他计算量大的任务都需要计算机具有强大的计算性能。虽然,微处理器的性能不断提高,但单机的性能仍跟不上计算需求的发展,数据降维即成为充分利用硬件资源并结合算法安排求解大规模问题的解决方法之一[4]。
模式识别（Pattern Recognition）作为一项人们生活中的基本智能，已经被广泛运用到现实生活中。其实关于模式识别的研究早在20世纪20年代就已经开展了起来，但随着40年代计算机的出现和50年代人工只能的兴起，到了60年代，模式识别在60年代迅速发展成为一门新兴的学科[5]。并且Sergios Theodordis把模式识别进行了这样一个定义[6]：模式识别是指对表征事物或者现象的各种形式的信息进行处理和分析，以对事物或者现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。
而特征降维技术和模糊聚类针对模式识别中的一些问题提出解决办法。
1.2 课题研究的主要内容
该课题针对针对传统Fisher准则只能用于有监督模式，将模糊理论引入Fisher准则，提出一种基于模糊Fisher比率的特征选择算法，并将其应用于UCI标准数据集及机械故障数据测试。通过将特征选择方法与聚类分析算法的想结合，完成一种故障特征选择的算法源代码的开发及实验验证。本文也将主要从三个方面学习，并且加以对已有只是的运用和开发研究，得到我们想要是源代码。
Fisher准则与模糊Fisher线性判别。
特征降维。通过MATLAB相关程序，通过高斯分布得出class1和class2，并由相关算法及程序代码得出一组FDR值，进而由值的大小判断其重要性，达到降维的目的。
聚类分析。通过对现有FCM算法的学习，将FCM算法与特征降维相结合，开发出针对多为矩阵的聚类，而后降维，从而达到特征抽取的程序代码。在开发出FCM代码的基础上，对曹苏群博士提出的FFC-SFCA算法进行学习，进而将这种算法与特征降维相结合，达到特征抽取的目的。
2 特征降维
特征降维有两种基本的途径：特征抽取（Feature Extraction）与特征择（Feature Selection）。特征抽取是对某对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法。通过影像分析和变换，以提取所需特征的方法。特征选择也叫特征子集选择 ( FSS , Feature Subset Selection ) 。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。
2.1 特征降维的研究背景及现状
20世纪70年代以来，由于在文本分类、图像检索、基因染色体组工程、网络内容检索、客户关系管理等应用中，数据的数目和数据的维数都呈爆炸式增长。随着科学技术的飞速发展,在很多机器学习和模式识别的实际应用中,人们经常会遇到高维数据,如人脸图像、基因表达数据数据等.直接对这些高维数据进行处理是非常费时且费力的,而且由于高维数据空间的特点,容易出现所谓的“维数灾难”问题[7]比如说，我们常用的文本数据中的数据集NG20，单单这个数据集就包含了近20类，接近两万个向量文本数据，每个数据又有四万三千多维。.降维(dimensionality reduction)是根据某一准则,将高维数据变换到有意义的低维表示.因此,降维能够在某种意义上克服维数灾难。
2.2 数据降维常用方法
目前较为流行的故障特征抽取方法，它们的理论基础分别是线性判别分析(Linear Discriminant Analysis，简称LDA[8])和主成
1 引言 1
1.1 课题的研究背景及意义 1
1.2 课题研究的主要内容 2
2 特征降维 2
2.1 特征降维的研究背景及现状 2
2.2 数据降维常用方法 3
3 Fisher准则与模糊Fisher线性判别 6
4 聚类分析 10
4.1 模糊聚类的研究背景及现状 10
4.2 FCM算法 11
4.3 FFC_SFCA算法 15
4.4 UCI标准数据集 16
4.5 FFC_SFCA算法应用于UCI数据集的实验 16
5 LIBSVM简介 17
5.1 LIBSVM 参数介绍 18
5.2 LIBSVM 使用方法 19
5.3 利用LIBSVM 进行数据分类 19
6 用Libsvm对用FFC_SFCA方法降维后的UCI数据集做测试实验 22
结论 32
致谢 33
参 考 文 献 34
1 引言
现如今随着科学技 *好棒文|www.hbsrm.com +Q: ￥351916072￥
5.1 LIBSVM 参数介绍 18
5.2 LIBSVM 使用方法 19
5.3 利用LIBSVM 进行数据分类 19
6 用Libsvm对用FFC_SFCA方法降维后的UCI数据集做测试实验 22
结论 32
致谢 33
参 考 文 献 34
1 引言
现如今随着科学技术的飞速发展，现代化生产的规模不断扩大，各种工业装备的结构越来越复杂，功能越来越完善，自动化程度也越来越高，并且现代工业工程（IE）的基本使命就是在新的不断变化的科学技术和生产力条件下，研究生产经营管理系统，不断提高生产率、经济效益和市场竞争能力。就迫使人们在故障诊断方面，进行了大量的研究，形成了“故障诊断”这一研究领域。而模糊Fisher准则是针对传统Fisher准则只能用于有监督模式，将模糊理论引入Fisher准则，提出一种基于模糊Fisher比率的特征选择算法，并将其应用于UCI标准数据集及机械故障数据测试。因此，基于模糊Fisher比率的故障诊断方法在故障诊断中，就显得尤为重要。
1.1 课题的研究背景及意义
现如今我们都生活在一个科技飞速发展的年代，在日常生活的实际应用中我们越来越多的遇到高维数据,由于高位数据空间的特点，直接对这些高维数据进行处理是非常费时且费力的,并且很容易出现所谓的“维数灾难”问题[1].降维(dimensionality reduction)是根据某一准则,将高维数据变换到有意义的低维[2].因此,降维能够在某种意义上克服维数灾难[3]。
现代社会中，大规模科学和工程计算问题对计算机的速度提出了非常高的要求。在图像和数据处理方面,大规模的匹配、神经网络计算及其他计算量大的任务都需要计算机具有强大的计算性能。虽然,微处理器的性能不断提高,但单机的性能仍跟不上计算需求的发展,数据降维即成为充分利用硬件资源并结合算法安排求解大规模问题的解决方法之一[4]。
模式识别（Pattern Recognition）作为一项人们生活中的基本智能，已经被广泛运用到现实生活中。其实关于模式识别的研究早在20世纪20年代就已经开展了起来，但随着40年代计算机的出现和50年代人工只能的兴起，到了60年代，模式识别在60年代迅速发展成为一门新兴的学科[5]。并且Sergios Theodordis把模式识别进行了这样一个定义[6]：模式识别是指对表征事物或者现象的各种形式的信息进行处理和分析，以对事物或者现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。
而特征降维技术和模糊聚类针对模式识别中的一些问题提出解决办法。
1.2 课题研究的主要内容
该课题针对针对传统Fisher准则只能用于有监督模式，将模糊理论引入Fisher准则，提出一种基于模糊Fisher比率的特征选择算法，并将其应用于UCI标准数据集及机械故障数据测试。通过将特征选择方法与聚类分析算法的想结合，完成一种故障特征选择的算法源代码的开发及实验验证。本文也将主要从三个方面学习，并且加以对已有只是的运用和开发研究，得到我们想要是源代码。
Fisher准则与模糊Fisher线性判别。
特征降维。通过MATLAB相关程序，通过高斯分布得出class1和class2，并由相关算法及程序代码得出一组FDR值，进而由值的大小判断其重要性，达到降维的目的。
聚类分析。通过对现有FCM算法的学习，将FCM算法与特征降维相结合，开发出针对多为矩阵的聚类，而后降维，从而达到特征抽取的程序代码。在开发出FCM代码的基础上，对曹苏群博士提出的FFC-SFCA算法进行学习，进而将这种算法与特征降维相结合，达到特征抽取的目的。
2 特征降维
特征降维有两种基本的途径：特征抽取（Feature Extraction）与特征择（Feature Selection）。特征抽取是对某对某一模式的组测量值进行变换，以突出该模式具有代表性特征的一种方法。通过影像分析和变换，以提取所需特征的方法。特征选择也叫特征子集选择 ( FSS , Feature Subset Selection ) 。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。
2.1 特征降维的研究背景及现状
20世纪70年代以来，由于在文本分类、图像检索、基因染色体组工程、网络内容检索、客户关系管理等应用中，数据的数目和数据的维数都呈爆炸式增长。随着科学技术的飞速发展,在很多机器学习和模式识别的实际应用中,人们经常会遇到高维数据,如人脸图像、基因表达数据数据等.直接对这些高维数据进行处理是非常费时且费力的,而且由于高维数据空间的特点,容易出现所谓的“维数灾难”问题[7]比如说，我们常用的文本数据中的数据集NG20，单单这个数据集就包含了近20类，接近两万个向量文本数据，每个数据又有四万三千多维。.降维(dimensionality reduction)是根据某一准则,将高维数据变换到有意义的低维表示.因此,降维能够在某种意义上克服维数灾难。
2.2 数据降维常用方法
目前较为流行的故障特征抽取方法，它们的理论基础分别是线性判别分析(Linear Discriminant Analysis，简称LDA[8])和主成
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/jdgc/1623.html
