一种鲁棒的聚类算法在加速度计数据集中的应用

基于邻居搜索和模糊C均值方法,提出了一种新的鲁棒的聚类算法(NSFA)。该算法采用邻居搜索方法遍历相邻的数据,依据搜索距离确定聚类数目。NSFA方法引入内核函数,以提高其对噪声和异常点的鲁棒性。为了验证算法的鲁棒性,实验采用读取加速度计的数据,对比实验结果表明所提出的算法明显提高数据集的聚类性能,清晰划分加速度的变化趋势。     

用于转子故障诊断的改进小波聚类算法

为了快速准确地实现转子故障的模式识别与分类,提出了改进小波聚类方法。首先,从转子振动信号中提取峭度指标、功率谱重心和小波能谱熵三个特征向量;其次,量化特征空间,提取显著网格单元信息;然后,对显著网格单元内数据信息进行小波变换实现去噪处理;最后,应用广度优先搜索方法实现聚类。在改进小波聚类过程中,信息储存表的建立降低了空间复杂度,并使得原始数据与聚类结果建立了映射关系。应用广度优先原则搜索相邻的显著网格单元实现聚类,降低了聚类算法的复杂度。实验验证与比较说明,改进小波聚类算法能够扩展应用到高维数据空间,并且降低了高维数据空间的算法复杂度,提高了转子故障诊断的效率和正确率。     

运用改进模糊C均值算法的复杂产品功构单元模块划分方法

为了解决目前已有聚类方法在复杂产品功构单元模块划分过程中存在的问题,提出了一种基于改进模糊C均值算法(D-FCM)的产品功构单元模块划分方法。该方法运用距离矩阵生成样本分层聚类树,结合F统计量方法确定模糊C均值算法最佳聚类数,在此基础上,应用模糊C均值算法进行聚类分析,获得聚类结果。最后,结合实际项目给出该聚类方法在机床模块划分过程中的典型应用,对该方法进行实例验证。以此为基础,开发出机床模块划分系统平台。系统实现及设计结果表明了所提出方法的有效性,为面向配置设计的机床模块划分提供了另一种有效的模块划分方法。     

基于密度聚类的线段特征提取方法

SLAM(同时定位与建图)是未知环境下移动机器人实现自主导航的关建,其前提之一就是要正确提取特征。引入聚类的思想,基于密度聚类提出一种针对激光传感器的线段特征提取方法。首先通过数据预处理,滤除噪声等干扰数据;然后通过基于密度聚类的区域分割,建立每个线段特征的子集,并去除不合理的特征点;最后通过最小二乘法进行参数拟合,拟合线段特征。提出的方法对提高特征提取算法的准确性和鲁棒性有借鉴作用。     

基于改进型层次聚类算法的可重构制造系统的产品族划分

针对可重构制造系统的产品族划分问题,提出了基于改进型层次聚类算法的可重构制造系统的产品族划分方法。首先对影响产品族划分的因素进行分析,基于产品的结构矩阵以及组成产品的各模块间的相关性矩阵确定了各因素的指标值,建立了各个因素相似度矩阵,然后利用层次分析法获得各指标的权重,获得产品的综合相似度矩阵,利用改进型层次聚类算法实现产品族的划分。最后通过实例验证了改进型层次聚类算法与层次聚类算法具有相同的划分结果,但是改进型层次聚类算法有更低的计算复杂度与更高的效率。     

基于自适应近邻信息的模糊C均值聚类算法

传统的模糊C均值算法直接基于原始数据进行聚类,数据的内在结构可能会被噪声、异常值或其他因素破坏,因此聚类性能会受到影响。为提升FCM算法的鲁棒性,提出了一种基于自适应近邻信息的模糊C均值聚类算法。近邻信息指的是一种基于数据点之间相似度的度量,每个数据点都可以看作其他数据点的近邻,但是不同数据点之间的相似度是不同的。将样本点的近邻信息G_X和类中心点的近邻信息G_V融入基础FCM模型中,为聚类过程提供更多的数据结构信息,用于指导聚类算法中的簇划分过程,以提升算法的稳定性,并提出了3个迭代算法求解本文提出的聚类模型。与其他先进聚类算法对比,在部分基准数据集上聚类性能有10%以上的提升,同时还从参数敏感性、收敛性、消融实验等方面对算法进行评价。实验结果可以充分显示本文提出的聚类算法的可行性与有效性。     

基于GMM聚类的鲁棒性i向量说话人确认

针对i向量说话人确认系统识别率低且鲁棒性差的问题,提出一种基于GMM聚类的鲁棒性i向量生成算法,应用于SVM说话人识别系统。该算法根据话者GMM模型间的巴氏距离,对说话者GMM模型进行聚类,将N个说话人模型划分为K类,再根据聚类中心模型,应用MAP算法提取聚类超向量,采用联合因子分析方法提取其i向量,对得到的i向量应用线性判别分析和类内协方差归一化技术对其进行信道补偿和降维。将该i向量用于训练SVM以判定目标说话人,仿真实验验证了该算法的有效性。     

构件相似性识别的搜索矩阵法

构件的相似性识别是方案创新设计中避免同构方案的关键问题之一。基于图论中广度优先搜索算法,针对运动链再生创新设计中构件的相似性判断,提出了一种新的相似性判断方法——搜索矩阵法。首先根据邻接矩阵对运动链中某构件为树根进行广度优先搜索,产生赋权广度优先生成树,并将每层搜索到的构件运动副序列形成对应的广度优先搜索矩阵,然后根据两构件搜索矩阵是否相同来识别两构件是否相似。该方法具有操作简单、可靠性好、识别率高又易于计算机实现等特点。通过实例验证了这种方法的有效性和完备性。     

基于复杂网络的故障诊断策略

从故障诊断的模式识别本质出发,利用网络表示故障数据结构,通过网络结构反映故障状态及其特征,把故障诊断聚类问题建模为子网络探测问题,提出基于网络结构分析的故障诊断策略。为了解决子网络划分中数据间相似度测度和划分测度设计这两个重要问题,引入复杂网络社群结构分析中的模块性概念,设计状态区分准则函数,并采用自底向上模块合并层次过程优化准则函数实现故障状态聚类,提出一种基于模块合并的故障诊断聚类算法。通过算法在标准数据集分类和真实压缩机故障系统诊断上的应用,分析相似度测度对算法的影响并验证了算法的性能。试验结果表明,与遗传算法,人工免疫网络等人工智能诊断方法相比,本文提出的算法能以较少的计算耗时,有效提取故障特征,获得理想的诊断正确率。     

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。     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于核模糊相似度度量的谱聚类算法

相似性度量的选择是谱聚类算法良好性能实现的关键。通常采用的谱聚类相似性的度量是基于高斯核函数的相似性度量。然而,谱聚类对这种相似度度量中的尺度参数非常敏感,并且确定一个合适的参数也很困难。另外,基于欧几里得的这种高斯核相似度度量无法有效反映复杂分布数据集的分布特点。针对此问题,通过利用基于核模糊C均值聚类算法得到的划分矩阵中隶属度的分布特点,提出了一个新的核模糊相似度度量,并将基于所提出的新的相似度度量的谱聚类算法(KFSC)应用于图像分割中。所提出的KFSC算法不仅克服了谱聚类对尺度参数敏感,而且解决了尺度参数很难确定的问题,获得更好的聚类效果。3个标准数据集、2个合成纹理图像及2个自然图像上的分割实验表明了所提出算法的有效性和鲁棒性。     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

一种基于核的聚类色彩量化算法

针对K-均值聚类在色彩量化中的应用,提出了一种基于核的聚类色彩量化算法.将原空间中待聚类的样本通过非线性映射,映射到一个高维的核空间中,从而将非线性问题变为线性问题,并通过Delphi编程加以实现.实验结果证明,该算法计算简单,鲁棒性强,具有一定的实用价值.     

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。     

INS/SFGPS PPP紧组合系统动态补偿滤波算法

惯性/卫星组合导航系统结合精密单点定位技术可有效提高导航定位精度。但精密单点定位技术一般需采用双频接收机,成本较高;同时该系统中采用载波相位作为部分或全部观测量,极容易受到周跳的影响而导致精度下降和系统不稳定。针对上述问题,设计了一种惯性/卫星精密定位紧组合导航系统以及基于动态周跳补偿的鲁棒滤波算法。该系统采用低成本的单频接收机(SFGPS),以精密单点定位技术(PPP)处理过的伪距和载波相位作为观测信息,与惯性导航系统(INS)等效观测量进行紧组合,建立了相应紧组合观测模型并引入周跳作为信息融合滤波状态模型中的状态量,以滤波器信息构建周跳检测统计量并对周跳幅值进行识别和估计,实时补偿观测量以提高观测信息精度,同时以前述周跳估计的结果对状态模型中周跳状态量部分滤波参数进行实时调节。上述方法通过动态补偿周跳误差提高导航精度,通过滤波器参数自适应调节提高滤波稳定性。仿真结果验证了该系统模型及算法的有效性。     

基于FOA-MKSVM的滚动轴承故障分类方法

由于滚动轴承实际各状态数据一般具有不均衡的特点,所以分类时采用单一核函数存在一定的局限性。针对此问题以及支持向量机多参数选择的盲目性,建立一种基于果蝇优化算法的多核支持向量机模型。该模型可以通过核函数权值来调节全局核函数和局部核函数在该模型中的作用,兼具了良好的学习能力和泛化能力。同时,将多核支持向量机参数与果蝇算法中食物的味道浓度值建立一定关系,通过模仿果蝇觅食行为,对各参数进行优化选择。为了验证所提方法的有效性,先利用UCI标准数据集进行实验,再将其应用到滚动轴承故障分类中,并对单核核函数与多核核函数及参数优化算法进行比较。结果表明,提出的方法具有初始化参数少、参数设置简单、全局搜索能力强和分类准确率高的优点,可有效地应用到滚动轴承故障分类中。     

Multidimensional visualization and clustering for multiobjective optimization of artificial satellite heat pipe design

This study presents a newly developed approach for visualization of Pareto and quasi-Pareto solutions of a multiobjective design problem for the heat piping system in an artificial satellite. Given conflicting objective functions, multiobjective optimization requires both a search algorithm to find optimal solutions and a decision-making process for finalizing a design solution. This type of multiobjective optimization problem may easily induce equally optimized multple solutions such as Pareto solutions, quasi-Pareto solutions, and feasible solutions. Here, a multidimensional visualization and clustering technique is used for visualization of Pareto solutions. The proposed approach can support engineering decisions in the design of the heat piping system in artificial satellites. Design considerations for heat piping system need to simultaneously satisfy dual conditions such as thermal robustness and overall limitation of the total weight of the system. The proposed visualization and clustering technique can be a valuable design tool for the heat piping system, in which reliable decision-making has been frequently hindered by the conflicting nature of objective functions in conventional approaches.