PDF《基于特征加权的代理判别模型模式识别方法 س》

a g e n t d i s c r i m i n a t e m o d e l b a s e df e a t u r e w e i g h t e d ;

w e i g h t i n gf a c t o r ;

r o l l i n g b e a r i n g

0 引言 模式识别方法作为机械故障诊断中的重要一环, 其识别精 度的好坏直接影响到机械设备的安全运行.目前常用的模式 识别方法有人工神经网络和支持向量机, 并且已在机械故障诊 断领域得到了广泛应用, 收到了良好的应用效果[

1 ] . 人工神经网络的核心是应用经验风险最小化原则( e m p i r i c a l r i s km i n i m i z a t i o n , E R M) , 该原则容易使人工神经网络陷入 局部化最优, 致使输出结果极不稳定, 而且需要大量样本数 据[

2 ,

3 ] .支持向量机( s u p p o r t v e c t o r m a c h i n e , S V M) 摈弃了传统 的ERM, 其依据结构风险最小化原则( s t r u c t u r er i s km i n i m i z a t i o n , S R M) [

4 ,

5 ] , 具有更优的泛化能力, 但该方法需要人工设定 参数及选择核函数. 近年来, R a g h u r a j 等人[

6 ] 根据特征值之间的相互关系提出 了一种基于多变量预测模型( v a r i a b l ep r e d i c t i v em o d e l b a s e d c l a s s d i s c r i m i n a t e , V P M C D ) 模式识别方法, 其核心思想是认为 特征之间存在某种联系, 依据这种联系构造预测模型, 从而完 成识别分类. 文献[

7 ,

8 ] 已将该方法及其改进算法应用于机械故障诊 断领域, 并且与人工神经网络及支持向量机进行对比, 获得了 良好的应用效果.但是 V P M C D方法并没有对算法的输入特 征进行评估, 即每类特征在群体中的显著度存在差异.当某类 特征值对模型的贡献度很小或者不显著时, 则利用该类特征建 立的模型不足以反映该样本特征之间的真实关系.V P M C D直 接采用提取的特征建立预测模型, 忽略了每类特征的显著性. 鉴于上述模式识别方法并未对特征值进行显著度评估, 导致预 测模型偏离真实模型.因此, 本文以特征值之间的相互关系为 基础, 以Kriging代理判别模型为载体, 以特征加权为核心, 提 出了一种基于特征加权的代理判别模型( A D M F W) 模式识别 方法. A D M F W 方法依据特征之间的内在关系, 选择 K r i g i n g 函 数建立代理判别模型, K r i g i n g 代理判别模型作为一种有效的 估计函数模型, 已广泛应用于石油、 采矿等领域[

9 ] .经典的 K r i g i n g 函数通常包含三种回归模型和七种相关模型, 通过对 两类模型的不同组合, 获取不同的预测代理模型, 然后从这些 模型中获取最佳预测模型.然而, K r i g i n g 模型也没有对特征 第36卷第 6期2019年6月 计算机应用研究ApplicationR e s e a r c ho f C o m p u t e r s V o l

3 6N o

6 J u n .

2 0

1 9 值的显著度予以说明, 使之不能建立较为准确的样本预测模 型.熵权法是结合特征值寻求最佳特征显著性的一种特征评 价方法[

1 0 ] , 其基本原理是根据特征指标之间的差异性, 获取特 征对应的信息熵, 通过熵值的大小判断该特征指标的信息量, 从而对特征指标赋予权值. 本文借鉴该方法的思想, 依据样本特征值本身都具有一定 的显著性, 然后利用权值因子对特征值的显著度予以赋值, 最 后通过显著度的大小对模型特征进行加权, 削弱不显著特征对 模型的影响[

1 1 ] . 综上所述, 本文依据特征值之间的相互关系, 利用 K r i g i n g 模型逼近特征值之间的真实关系模型, 提出了基于特征加权的 代理判别模型模式识别方法, 并研........