10.3778/j.issn.1002-8331.1901-0063
似然K均值聚类用于涡扇发动机气路故障诊断
K均值聚类算法是聚类领域最知名的方法之一,然而K均值聚类完全依赖欧式距离进行聚类,忽略了样本特征离散程度对聚类结果的影响,导致聚类边缘样本容易被误聚类,且算法易局部收敛,聚类准确率较低.针对传统K均值聚类算法的不足,提出了似然K均值聚类算法,对于每个聚类的所有样本考虑每个维度样本特征的离散程度信息,分别计算样本属于某一聚类的似然概率,能够有效提高聚类准确率.在人造数据集和基准数据集验证了似然K均值聚类算法的优越性,将其应用于涡扇发动机气路部件故障以及传感器故障的模式识别,验证了该算法在涡扇发动机故障诊断中的实用性和有效性.
K均值聚类、似然概率、涡扇发动机、气路故障、模式识别
56
TP181(自动化基础理论)
国家自然科学基金;江苏省研究生科研创新计划;南京航空航天大学博士学位论文创新与创优基金
2020-05-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
136-141