无监督方法汽车特征提取系统设计(附件)
随着汽车成为人们普遍使用的交通工具，它本身中带有很多个极具价值的特征信息，如果我们能够利用好这些有价值的特征信息，将会可以帮助到人们对其进行更好的使用和管理。因此，如何有效准确的对汽车特征信息进行提取是一个值得探讨的问题。文中主要研究基于无监督方法对汽车特征提取的系统设计，具体方法为构建深度信念网络层（Deep Belief Network, DBN），将收集到的汽车主减速器三种主要故障特征进行模拟仿真，通过DBN对模拟故障的仿真信号进行训练、提取，利用可视化手段将故障特征提取的效果表现出来，实现无监督方法对汽车特征提取的系统设计。关键词 无监督方法，汽车特征，深度信念网络，特征提取
目 录
1 引言1
1.1 研究背景与意义1
1.2 国内外研究现状1
1.3 课题的主要工作与要求3
2 机器学习方法概述4
2.1 有监督学习方法4
2.2 半监督学习方法4
2.3 无监督学习方法5
3 深度信念网络—DBN5
3.1 概述 5
3.2 DBN原理6
4 基于DBN汽车故障诊断特征提取12
4.1汽车主减速故障 13
4.2故障诊断方法 16
4.3实验结果17
4.4研究分析20
结论21
致谢23
参考文献24
1 引言
1．1 研究背景与意义
汽车是当今世界上最普遍的交通工具，其管理和维护也会越来越成为一个新的发展领域。在管理与维护方面的相关工作为登记车辆信息和对车辆故障信息进行检测，主要是以一个特征标准对它们进行归类和故障判别，在此就涉及到对其型号特征和故障特征的提取。汽车特征的提取，具体的来说比如车型型号特征，发动机故障特征，汽车轮胎号特征等，这些汽车特征能提供给人们在进行管理和维护工作时重要的信息，换句话来说汽车整体或部件中的各种不同特征信息是汽车产品中型号分辨和判断汽车状态健康与否的重要参考。
随着汽车数目的增多和汽车故障的复杂化，仅仅依靠技术工人或者专家来选择和提取汽车的特征信息变得越来越困难， *好棒文|www.hbsrm.com +Q: &351916072&
并且带有很大的主观性。机器学习在这一方面的应用愈发广泛，其主要的优点就是通过构建的模型自动处理数据，使特征信息提取过程尽可能地实现自动化[1]。在汽车特征信息提取中运用机器学习方法能够减少相关人员的工作量，消除由于人工提取中所带来主观性，并且能达到很好的效果。这对未来越来越复杂的车辆管理情况和故障情况进行快速准确的处理有着深远的意义。
1．2 国内外研究现状
汽车特征提取技术是很多研究者一直以来重视的课题之一，国外汽车特征提取的研究方法开始于上世纪70年代，在90年代初得到快速的发展，针对目前特征提取方面的研究，它从大量的原始数据中找到最能代表该模式的少量特征，而且许多模式识别算法的性能往往取决于输入数据特征的品质，这就对特征提取方法提出了很高的要求[2]。到目前为止，国内外对其的研究技术已日趋成熟，并且出现了很多特征提取方法。
传统的特征提取方法在很多文献中都提到的比如主成分分析(PCA)和线性判别分析(LDA)。PCA是一种将数据样本进行最小化并通过重构误差来组成正交变换，将维数较高的数据样本投影到较低维数数据样本空间中，其作为无监督机器学习方法中被最常运用的一种[2]。LDA则作为一种有监督机器学习方法，它通过在一定范围中最小化数据样本空间中的类内散度，在发现较大的数据样本空间维数时，保留对这个数据样本的信息[2]。
在近些年中，小波变换进入人们的研究视野，利用其在时域信号分析中对局部信号判别效果准确的特点，将其利用在一些识别中，特别是在非平稳故障特征信号样本中[4]。在机械故障诊断中，对故障的识别常通过对故障信号幅值、频率和相位成分等信息的特征提取，通过对已有的故障样本特征进行判别，这是一种有监督机器学习方法[5]。在目前大多数机械故障诊断研究中对小波变换的应用还是局限于实小波变换。
近几年来比较新颖的一种特征提取方法是2006 年 Hinton博士和他的同伴在一篇期刊上发表了的一种方法深度信念网络层（Deep Belief Network, DBN），引起了广大的机器学习和人工智能方面的研究者加入。
Tamilselvan P[7]团队在2013年将DBN成功对飞机中的发动机故障进行第一次诊断使用，进而使更多的国内外研究者加入利用DBN对故障进行诊断的研究，促进了这一领域的飞速发展。王宪保[7]等专家将DBN应用于太阳能电池片表面缺陷检测。陈硕将DBN应用到了语音识别领域。余永维，殷国富，殷鹰等专家利用DBN进行图像缺陷识别。深度置信网络是由多个限制玻尔兹曼机堆叠成的包含着多个神经网络隐含层，它的根本思想是对深度神经网络的连接权重运用逐层贪婪学习算法去优化[6]。进一步来说就是先利用无监督网络中上下层层训练的方法，将要诊断的设备中故障特征一步步的显化挖掘出来，再添加上对应的分类器，经过有监督手段反向的微调，逐步将使用DBN 对故障进行诊断能力进一步的优化。
经过不断的发展和研究，DBN在各个领域得到很广泛的应用，比如航拍图故障识别、汽车衡传感器故障诊断、太阳能电池片表面缺陷检测等等。在DBN的布层网络[14]中，认为随着在深度信念网络中层数的增加，它的权重值系数矩阵会逐步接近于正态形式的分布，对应整个系统所要的能量会逐步减少。对于要求检测精度比较高的汽车主减速器故障，所得的检测结果就会准确率越高。所以一般认为构建层数足够多的深度神经网络层，就使其能非常接近非线性目标函数，对于在研究聚类、辨识中的应用性会更好。 即使目前的逐层训练方法使无监督机器学习更加容易使用，然而对于巨大的深度神经网络层中，其中需要计算的工作量还是不容乐观，在确凿的研究分析后得出的结论是；如果DBN构建网络中的隐含层数目超过最佳值后，即使通过提高层数也不会令聚类或识别的效果提高，相反会使训练时间在网络中无意义的增加。所以不断地研究出更简便有效的训练算法是作为深度信念网络首要解决的一个重点难题。
1．3 本课题工作安排及步骤
目 录
1 引言1
1.1 研究背景与意义1
1.2 国内外研究现状1
1.3 课题的主要工作与要求3
2 机器学习方法概述4
2.1 有监督学习方法4
2.2 半监督学习方法4
2.3 无监督学习方法5
3 深度信念网络—DBN5
3.1 概述 5
3.2 DBN原理6
4 基于DBN汽车故障诊断特征提取12
4.1汽车主减速故障 13
4.2故障诊断方法 16
4.3实验结果17
4.4研究分析20
结论21
致谢23
参考文献24
1 引言
1．1 研究背景与意义
汽车是当今世界上最普遍的交通工具，其管理和维护也会越来越成为一个新的发展领域。在管理与维护方面的相关工作为登记车辆信息和对车辆故障信息进行检测，主要是以一个特征标准对它们进行归类和故障判别，在此就涉及到对其型号特征和故障特征的提取。汽车特征的提取，具体的来说比如车型型号特征，发动机故障特征，汽车轮胎号特征等，这些汽车特征能提供给人们在进行管理和维护工作时重要的信息，换句话来说汽车整体或部件中的各种不同特征信息是汽车产品中型号分辨和判断汽车状态健康与否的重要参考。
随着汽车数目的增多和汽车故障的复杂化，仅仅依靠技术工人或者专家来选择和提取汽车的特征信息变得越来越困难， *好棒文|www.hbsrm.com +Q: &351916072&
并且带有很大的主观性。机器学习在这一方面的应用愈发广泛，其主要的优点就是通过构建的模型自动处理数据，使特征信息提取过程尽可能地实现自动化[1]。在汽车特征信息提取中运用机器学习方法能够减少相关人员的工作量，消除由于人工提取中所带来主观性，并且能达到很好的效果。这对未来越来越复杂的车辆管理情况和故障情况进行快速准确的处理有着深远的意义。
1．2 国内外研究现状
汽车特征提取技术是很多研究者一直以来重视的课题之一，国外汽车特征提取的研究方法开始于上世纪70年代，在90年代初得到快速的发展，针对目前特征提取方面的研究，它从大量的原始数据中找到最能代表该模式的少量特征，而且许多模式识别算法的性能往往取决于输入数据特征的品质，这就对特征提取方法提出了很高的要求[2]。到目前为止，国内外对其的研究技术已日趋成熟，并且出现了很多特征提取方法。
传统的特征提取方法在很多文献中都提到的比如主成分分析(PCA)和线性判别分析(LDA)。PCA是一种将数据样本进行最小化并通过重构误差来组成正交变换，将维数较高的数据样本投影到较低维数数据样本空间中，其作为无监督机器学习方法中被最常运用的一种[2]。LDA则作为一种有监督机器学习方法，它通过在一定范围中最小化数据样本空间中的类内散度，在发现较大的数据样本空间维数时，保留对这个数据样本的信息[2]。
在近些年中，小波变换进入人们的研究视野，利用其在时域信号分析中对局部信号判别效果准确的特点，将其利用在一些识别中，特别是在非平稳故障特征信号样本中[4]。在机械故障诊断中，对故障的识别常通过对故障信号幅值、频率和相位成分等信息的特征提取，通过对已有的故障样本特征进行判别，这是一种有监督机器学习方法[5]。在目前大多数机械故障诊断研究中对小波变换的应用还是局限于实小波变换。
近几年来比较新颖的一种特征提取方法是2006 年 Hinton博士和他的同伴在一篇期刊上发表了的一种方法深度信念网络层（Deep Belief Network, DBN），引起了广大的机器学习和人工智能方面的研究者加入。
Tamilselvan P[7]团队在2013年将DBN成功对飞机中的发动机故障进行第一次诊断使用，进而使更多的国内外研究者加入利用DBN对故障进行诊断的研究，促进了这一领域的飞速发展。王宪保[7]等专家将DBN应用于太阳能电池片表面缺陷检测。陈硕将DBN应用到了语音识别领域。余永维，殷国富，殷鹰等专家利用DBN进行图像缺陷识别。深度置信网络是由多个限制玻尔兹曼机堆叠成的包含着多个神经网络隐含层，它的根本思想是对深度神经网络的连接权重运用逐层贪婪学习算法去优化[6]。进一步来说就是先利用无监督网络中上下层层训练的方法，将要诊断的设备中故障特征一步步的显化挖掘出来，再添加上对应的分类器，经过有监督手段反向的微调，逐步将使用DBN 对故障进行诊断能力进一步的优化。
经过不断的发展和研究，DBN在各个领域得到很广泛的应用，比如航拍图故障识别、汽车衡传感器故障诊断、太阳能电池片表面缺陷检测等等。在DBN的布层网络[14]中，认为随着在深度信念网络中层数的增加，它的权重值系数矩阵会逐步接近于正态形式的分布，对应整个系统所要的能量会逐步减少。对于要求检测精度比较高的汽车主减速器故障，所得的检测结果就会准确率越高。所以一般认为构建层数足够多的深度神经网络层，就使其能非常接近非线性目标函数，对于在研究聚类、辨识中的应用性会更好。 即使目前的逐层训练方法使无监督机器学习更加容易使用，然而对于巨大的深度神经网络层中，其中需要计算的工作量还是不容乐观，在确凿的研究分析后得出的结论是；如果DBN构建网络中的隐含层数目超过最佳值后，即使通过提高层数也不会令聚类或识别的效果提高，相反会使训练时间在网络中无意义的增加。所以不断地研究出更简便有效的训练算法是作为深度信念网络首要解决的一个重点难题。
1．3 本课题工作安排及步骤
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1698.html
