排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
2.
针对机械故障数据的高维性和不平衡性,提出基于格拉斯曼流形的多聚类特征选择和迭代近邻过采样的故障分类方法。对采集到的振动信号,提取时域和频域相关特征,利用多聚类特征选择将高维数据以局部流形结构映射到低维特征集合。无标签样本借助迭代近邻过采样以恢复最大平衡性为目标进行样本分类,并对剩余无标签样本进行模糊分类。选取滚动轴承正常、外圈、内圈以及滚动体的故障数据,并与支持向量机、基于图的半监督学习算法进行对比。结果表明,提出的方法能有效识别出少数类故障,并在整体上有显著的分类效果。 相似文献
3.
针对现有方法难以准确预测具有复杂非线性特征的汽轮机热耗率问题,本文提出一种改进模糊支持向量机(FSVM)的汽轮机热耗率预测模型。首先采用间隔统计算法计算热耗率数据最佳聚类个数,防止出现聚类数目的不确定性,然后利用模糊C均值聚类(KFCM)算法将热耗率数据划分,生成聚类子样本,将聚类子样本代入经粒子群算法优化的FSVM中,建立基于FSVM的汽轮机热耗率预测模型。将现场采集的某超超临界660 MW机组汽轮机热耗率数据输入模型进行预测,并与传统支持向量机的预测结果进行比较。结果表明,改进的FSVM方法具有更高的预测精度和更强的泛化能力。 相似文献
1