10.15918/j.tbit1001-0645.2017.08.017
基于一种自适应核学习的KECA子空间故障特征提取
核属性约简方法对于去除冗余信息,调整数据非线性结构具有独特的优势.针对航空电子设备故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自适应核函数优化学习的核熵元分析(kernel entropy component analysis,KECA)特征提取方法.首先针对一种自适应核函数基于改进的Fisher核矩阵测量准则建立了一种面向多分类任务的核函数优化框架,然后将优化结果与KECA相结合,通过在KECA特征子空间中选择对输入数据Renyi熵估计有较大贡献的核矩阵特征向量来实现故障特征提取.实验结果表明,本文方法不仅提升了分类精度,而且对噪声具有一定的抑制作用,具有良好的泛化性能.
核熵元分析、Fisher区别分析、自适应核函数、特征提取、故障识别
37
TP181;V24(自动化基础理论)
国家自然科学基金资助项目61571454;国家部委预研基金资助项目9140A27020214JB14435
2017-10-10(万方平台首次上网日期,不代表论文的发表时间)
共7页
863-868,874