基于模糊核加权C-均值聚类的高光谱图像分类

高光谱图像分类是高光谱数据分析的重要研究内容之一。模糊C-均值聚类算法因其算法简单、收敛速度快等优点受到广泛的关注。由于高光谱数据的维数较高,其光谱波段的非线性特性使得传统模糊C-均值聚类算法无法在原始空间得到较好的聚类结果。另外,模糊C-均值聚类算法在计算聚类中心时,仅使用了各样本对聚类中心的隶属度,忽略了样本之间固有存在的空间分布特征。为此提出了模糊核加权C-均值聚类算法,在计算模糊核聚类中心时,根据样本的空间分布特征,为每个样本分配不同的权值,使得每个核聚类中心随着样本的不同而各有不同。标准数据和实际高光谱数据的实验结果均表明,相比较传统模糊C-均值均聚类算法,模糊核加权C-均值聚类算法在总体分类精度上有较大的提高。     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

基于加权灰色关联分析与模糊C-均值聚类的柴油机磨损模式识别

将加权灰色关联分析与模糊C-均值聚类(fuzzy center-means clusteving)算法相结合应用到柴油机磨损模式评价体系中,以Bezdek准则和模糊熵值为度量指标加强全局搜索能力并确定了加权指数m值,通过聚类中心和归一化的标准向量建立了磨损模式的模糊分析模型.对实际采集的20个样本进行模糊聚类分析,并与贴近度算法所得结果相比较,证明加权模糊C-均值聚类算法对柴油机磨损模式的识别是准确、有效的.     

VMD奇异值和FCM的转子故障特征提取与识别

为了准确、有效地提取转子故障特征,提出了变分模态分解(VMD)和奇异值特征提取的方法,并采用模糊C均值聚类(FCM)进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明:该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。     

分块自适应加权改进大规模模糊聚类

为解决传统模糊C均值聚类(Fuzzy C-means,FCM)算法在处理大规模数据集时遇到的时间复杂和内存不足等瓶颈,提出基于大数据集抽样分块的多视角自适应模糊聚类算法,算法通过邻域正则约束提高传统FCM算法的抗噪性,通过低秩与熵加权约束提高多视角一致性,以提高算法对多样化数据聚类的适应性,最后通过Canopy算法初始聚类中心提取、数据抽样分块和自适应加权优化算法对大规模数据聚类的适应性.实验结果表明,算法在继承传统多视角FCM算法良好聚类性能基础上,减少了计算复杂度,提高了聚类准确率,适于大规模数据集聚类.     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。     

基于监督学习的核拉普拉斯特征映射的FCM算法

监督学习的核拉普拉斯特征映射,通过非线性核映射将样本数据投影到高维核特征空间,将流形结构和样本类别信息进行有效的结合后,提取嵌入在高维数据中的低维流形特征用于模糊C-均值聚类中,这样可以有效解决高维数据集中新样本的泛化性,并且能有效提高聚类的效果。     

混合聚类新算法及其在故障诊断中的应用

针对模糊C-均值(FCM)聚类算法假设各维特征和每个样本对聚类贡献相同,同时需要预先设定聚类数的不足,利用3层前馈神经网络、点密度函数算法和聚类有效性指标对其进行改进,提出一种新的混合聚类算法。该算法考虑到不同特征和不同样本对聚类结果有不同程度的影响,并根据聚类有效性指标的变化自适应确定聚类数来实现聚类。利用基于梯度下降的3层前馈神经网络通过无监督训练来自适应学习特征权值,使用基于点密度函数的算法获取样本权值,给不同特征和不同样本赋予权重,突出敏感特征和典型样本的主导作用,抑制其他特征和样本对聚类的干扰,以提高聚类性能。研究结果表明,对于国际标准测试数据和某机车轴承的早期故障诊断,该混合聚类算法不但能自动确定聚类数,而且聚类的准确性明显比FCM高。     

基于混合蜻蜓优化多核模糊聚类和特征子集选取的在线齿轮故障识别

对模糊C-均值聚类算法改进及在齿轮故障高效、可靠识别中的应用进行研究,提出了一种新的计及模糊聚类和特征选取的在线齿轮故障识别方法—基于混合蜻蜓优化多核模糊聚类和特征子集选取的在线齿轮故障识别算法.设计多核函数和贪婪聚类中心初始化策略,以克服模糊聚类算法对初始值敏感、高维复杂数据聚类鲁棒性差的缺陷;提出特征子集选取机制,...     

基于Rough set知识获取的故障数据表聚类离散化方法研究

为了从故障诊断实例的数据资源中知识获取,对具有连续属性值的故障实例数据表转化为Rough set(RS)理论离散数据类型的决策表的正确映射进行了研究.将改进的k-means聚类算法用于故障实例数据表的离散映射方案设计.在设置故障实例的导师决策类别数为聚类数k对论域划分的基础上,提出了根据均值聚类中心排序序号构造离散映射符号集、相对均值聚类中心由相似测度确定连续属性值映射编码的离散化方案.实例表明,该方法反映了转子振动故障特征的一般规律,断点设置具有动态自适应和抗干扰特性.获得的决策规则可用于构造和扩充故障诊断知识库.     

基于动态优选元胞遗传模糊聚类的使用可靠性区域粒度确定方法

为了进行使用可靠性区域粒度划分研究,在分析空调使用可靠性影响因素的基础上,以其使用可靠性同类区域差异最小为目标,建立了使用可靠性基于工作环境和用户使用习惯两类影响因素的多变量高维聚类模型,提出求解该模型的一种动态优选元胞遗传模糊聚类算法。该算法在经典元胞遗传算法和模糊C-均值算法的基础上引入信息熵理论和优选策略,并采用动态交叉和两阶段变异算子,因此集成了模糊C-均值收敛速度快和元胞遗传算法在解决复杂问题时多样性好、全局搜索能力强的特点。通过6个标准测试数据集的测试结果,证明新算法相对于模糊C-均值、遗传模糊聚类算法和粒子群模糊聚类算法具有更高的聚类精度和稳定性,尤其适合处理高维复杂数据的聚类问题。最后运用该算法求解模型,并评价不同粒度层次下聚类结果的有效性,进而确定使用可靠性最优区域粒度划分方案,表明算法能有效解决相关的实际工程问题。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

基于模糊C-均值聚类算法的柴油机磨损模式识别

将模糊C-均值聚类算法应用到柴油机磨损模式评价体系中,通过聚类中心和归一化的标准向量建立了磨损模式的模糊分析模型.对实际采集的20个样本进行模糊聚类分析,并与贴近度算法所得结果进行比较,证明模糊C-均值聚类算法对柴油机磨损模式的识别是准确、有效的.     

基于混沌与模糊聚类的机械故障自动识别

针对大型设备旋转部件故障模式复杂难以识别的特点,给出一种基于混沌与模糊最大似然估计(Fuzzy maximum likelihood estimates,FMLE)聚类相结合的机械故障自动识别方法。利用混沌振子在非平衡相变对小信号非常敏感,而对噪声和高频信号具有强免疫力的特点,可检测出微弱的周期故障特征信号的频率信息,并将其作为故障特征矢量输入模糊聚类分类器进行聚类分析。同时针对传统的模糊C均值(Fuzzy center means,FCM)聚类算法只适用于球形或者类球形数集分布的缺陷,将基于最大似然估计的距离测度引入故障特征聚类中,实现对不同形状、大小和密度的故障数据集模糊聚类,达到对机械故障自动识别的效果。试验及工程实例结果证明了方法的有效性,同时证明FMLE聚类具有更好的聚类效果。     

基于模糊聚类分析的边缘检测算法

将模糊c-均值聚类算法(FCM)应用到图像的边缘检测中.首先,将灰度图像中的每一个像素点看成是一个数据样本,将该点的灰度值经过Robert算子、Sobel算子和Prewitt算子处理构成它的特性向量,形成具有三维特征的数据集,然后对这个数据集应用模糊聚类算法进行分类,自适应地检测出图像的边缘点,达到提取边缘的目的.实验结果表明,这种混合算法能得到很好的边缘检测效果,并且得到的结果无需再细化处理,提高了边缘定位的精度.     

转子系统故障数据集D-LLE降维方法研究

针对传统降维方法中存在丢失判别信息及由高维空间原始特征张成的超曲面曲率较大时难以获取低维敏感信息的问题,提出一种基于Dijkstra算法的改进LLE(local linear embedding)转子故障数据集降维方法,即D-LLE法。在由时域、频域组成的原始特征空间中,利用Dijkstra算法具有可细致刻画出由时域、频域组成的原始特征空间的能力,结合LLE算法具备能够保持降维前后的转子故障数据集其流形保持不变的性质,据此可提取出反映转子运行状态的低维敏感特征属性。转子实验台模拟出的4种运行状态进行试验表明:优化后的特征数据集具有较好的聚类与类间可分性。     

基于参数优化MPE与FCM的滚动轴承故障诊断

为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,基于遗传算法与微粒群算法对参数进行优化;然后,利用参数优化多尺度排列熵对滚动轴承振动信号进行特征提取,并通过模糊C均值聚类确定标准聚类中心;最后,采用Euclid贴近度对故障样本进行分类。通过分类系数与平均模糊熵检验聚类效果,证明了多尺度排列熵参数优化的有效性;与单一尺度排列熵、样本熵结合模糊C均值聚类方法的对比分析表明,基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法具有更高的故障识别率和更广阔的适用范围。     

基于自适应模糊聚类的多模型染纱能耗软测量

针对染纱生产的工艺能耗测量问题,提出一种基于自适应模糊聚类的多神经网络的染纱能耗软测量方法.该方法采用自适应模糊C均值聚类算法,基于实时采集的样本数据,将训练集划分成不同聚类中心的子集,并自适应修正.每个子集用径向基函数网络训练得到子模型,然后根据聚类后的隶属度,将各子模型的输出加权求和获得最后结果.通过对染缸能耗软测量建模,并对其进行仿真和典型实例研究,表明该方法具有良好的预测精度和鲁棒性,且与制造执行系统结合具有良好的在线测量能力.     

基于改进密度峰值聚类的航空发动机故障诊断

针对快速搜索发现密度峰值聚类(CFSFDP)算法存在的密度中心选择不方便、聚类精度不高的问题,提出基于马氏距离的自动搜索发现密度峰值的聚类算法。该算法将马氏距离引入距离测定中,提高了聚类精度;提出聚类中心判定参数γ,自动获得了聚类中心。采集航空发动机转子模拟振动信号实验数据,分别采用传统CFSFDP算法、改进后的CFSFDP算法、K均值聚类和模糊C均值聚类进行分析,结果表明,所提算法能够很好地改善聚类精度,其聚类精度相比K均值聚类和模糊C均值聚类有很大优势,且在故障特征的分类与识别上均优于其他两种算法。     

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

针对设备故障信号的非线性、非平稳特征,提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法,以减少算法运行时间与迭代次数;其次,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法,并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征;之后,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类方法,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别;最后,以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象,应用所提方法进行分析。结果表明,相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率得到提高。