强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation，简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时，存在相互之间差异性偏低的问题，引入一种特征扰动法对集成学习机的分类性能进行改进。首先，将Relief?F特征评估算法和改进轮盘赌选择法进行结合，并设置基分类器的数目为30个，从转子故障特征集中选择出30个特征子集，每个特征子集的故障特征维数为30；其次，将训练集和测试集分别投影在对应的30个故障特征子集上，得到对应于30个基分类器的系列训练子集和测试子集，通过此方式实现了特征扰动环节；最后，利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理，使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性，间接使训练后的基分类器之间显示出更高的差异性，让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明，本方法能够显著提高BP网络的辨识准确率，并且具有良好的抗干扰性能。

Method of Rotor Fault Identification Based on Strong Differential Ensemble Neural Network