基于DPCA的线性监督分类的故障诊断方法-T2和SPE统计量的计算
基于DPCA的线性监督分类的故障诊断方法
- 数据预处理
- 标签问题
- 归一化问题
- 剩余步骤同[PCA方法](https://blog.csdn.net/And_ZJ/article/details/90576240)。
数据预处理
训练集样本(只有正样本)为Xn∗m{{\rm{X}}_{{\rm{n*m}}}}Xn∗m(需要列均值为零,采用z-score归一化即可,每行一个样本,样本数目n,特征维度m)。
假设时延为lll,则生产一个新的数据矩阵(利用过去时间内观察到的样本):
X(l)=[xkTxk−1T...xk−lTxk+1TxkT...xk+1−lT⋮⋮⋮⋮xk+pTxk+p−1T...xk+p−lT]X(l) = \left[ \begin{array}{l} x_k^T{\rm{\,\,\,\,\,\,\,}}x_{k - 1}^T{\rm{\,\,\,\,\,\,}}...{\rm{\,\,\,\,}}x_{k - l}^T\\ x_{k + 1}^T{\rm{\,\,\,}}x_k^T{\rm{\,\,\,\,\,\,\,\,\,\,}}...{\rm{\,\,\,\,\,}}x_{k + 1 - l}^T\\ {\rm{\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,\,}} \vdots \\ x_{k + p}^T{\rm{\,\,\,}}x_{k + p - 1}^T{\rm{\,\,}}...{\rm{\,\,\,}}x_{k + p - l}^T \end{array} \right] X(l)=⎣⎢⎢⎢⎡xkTxk−1T...xk−lTxk+1TxkT...xk+1−lT⋮⋮⋮⋮xk+pTxk+p−1T...xk+p−lT⎦⎥⎥⎥⎤
其中xkx_{k}xk表示当前第k时刻观察到的样本,xk−1x_{k-1}xk−1表示第k-1时刻观察到的样本,由xkx_{k}xk、xk−1x_{k-1}xk−1、…、xk−lx_{k-l}xk−l共l+1l+1l+1个样本共同组成了第k时刻的新样本(也就是上面矩阵中的第一行那个样本)。使用此X(l)(n−l)∗(m∗(l+1))X(l)_{(n-l)*(m*{(l+1)})}X(l)(n−l)∗(m∗(l+1))作为新的训练矩阵(相比原来的矩阵X,样本数目减少了lll个,但特征数变成了m∗(l+1){m*{(l+1)}}m∗(l+1)维)。(测试集也按照测试样本的观察时间先后构成同样宽度的矩阵)。按经验,lll通常取2。
举例:
设有先后采集的样本,x1,x2,x3,x4,x5x_{1},x_{2},x_{3},x_{4},x_{5}x1,x2,x3,x4,x5,共5个。每个样本均是长度为2的列向量。具体如下:
x1=[1,2]Tx2=[3,4]Tx3=[5,6]Tx4=[7,8]Tx5=[9,10]Tx_{1}=[1,2]^T\\x_{2}=[3,4]^T\\x_{3}=[5,6]^T\\x_{4}=[7,8]^T\\x_{5}=[9,10]^Tx1=[1,2]Tx2=[3,4]Tx3=[5,6]Tx4=[7,8]Tx5=[9,10]T
若时延为l=2,则新的数据矩阵为:
X(l)=[x3Tx2Tx1Tx4Tx3Tx2Tx5Tx4Tx3T]=[5,6,3,4,1,27,8,5,6,3,49,10,7,8,5,6]X(l) = \left[ \begin{array}{l} x_{3}^T{\rm{\,\,\,\,\,\,\,}}x_{2}^T{\rm{\,\,\,\,\,\,\,}}x_{1}^T\\ x_{4}^T{\rm{\,\,\,\,\,\,\,}}x_{3}^T{\rm{\,\,\,\,\,\,\,}}x_{2}^T\\ x_{5}^T{\rm{\,\,\,\,\,\,\,}}x_{4}^T{\rm{\,\,\,\,\,\,\,}}x_{3}^T\\ \end{array} \right]=\left[ \begin{array}{l} 5,{\rm{\,\,\,}}6,{\rm{\,\,\,}}3,{\rm{\,\,\,}}4,{\rm{\,\,\,}}1,{\rm{\,\,\,}}2\\ 7,{\rm{\,\,\,}}8,{\rm{\,\,\,}}5,{\rm{\,\,\,}}6,{\rm{\,\,\,}}3,{\rm{\,\,\,}}4\\ 9,10,{\rm{\,\,\,}}7,{\rm{\,\,\,}}8,{\rm{\,\,\,}}5,{\rm{\,\,\,}}6\\ \end{array} \right] X(l)=⎣⎡x3Tx2Tx1Tx4Tx3Tx2Tx5Tx4Tx3T⎦⎤=⎣⎡5,6,3,4,1,27,8,5,6,3,49,10,7,8,5,6⎦⎤
将X(l){X(l)}X(l)的每一行看作一个新的(动态)样本,则动态样本相比原始样本少了2个。但动态样本的维度变成原来的3倍了。
当然也不排除本人对这里理解有误,因此,若有疑问,请查阅下述文献,也欢迎指错。
标签问题
至于动态样本的标签,本人考虑的是,动态样本的标签与其第一个原始样本的标签一致。
比如上面举例中的第一行的动态样本,其标签与x3x_3x3的标签保持一致;第二行的动态样本,其标签与x4x_4x4的标签保持一致。
归一化问题
到底是X归一化之后再组成动态样本矩阵,还是先由X组成动态样本矩阵,然后动态样本矩阵再归一化,又或者之前与之后都使用归一化操作?
没有注意到文献里是否有讨论这一步,大概是我读的比较浅。
本人采取的方法是,先用XXX组成动态样本矩阵,然后对动态样本矩阵X(l)X(l)X(l)进行归一化操作。
剩余步骤同PCA方法。
基于DPCA的线性监督分类的故障诊断方法-T2和SPE统计量的计算相关推荐
- Python代码实现-主成分分析(PCA)降维及故障诊断中的T2和SPE统计量Matplotlib出图|Python技能树征题
PCA降维代码及T2和SPE统计量Matplotlib出图 PCA降维 PCA(Principal Component Analysis),即主成分分析方法,是一种使用最广泛的数据降维算法. T2的计 ...
- 基于PCA的故障诊断方法(matlab)
1. PCA原理分析 PCA的原理主要是将原始数据进行降维.其具体工作原理参照:CodingLabs - PCA的数学原理 2. 数据预处理 训练数据集(只有正样本)为维数据,即有n个采样值,每个采样 ...
- 基于图卷积网络的测量与先验知识相结合的故障诊断方法
目录 Graph Convolutional Network-Based Method for Fault Diagnosis Using a Hybrid of Measurement and Pr ...
- matlab bp神经网络的诊断,基于-BP神经网络的故障诊断方法.doc
<智能控制基础> 研究生课程设计报告 题 目 基于BP神经网络的故障诊断方法 学 院 机械与汽车工程学院 专业班级 车辆工程 学 号 221601852020 学生姓名 李跃轩 指导教师 ...
- 基于Teager-Kaiser能量算子和深度置信网络的往复式压缩机阀门故障诊断方法
原文:An approach to fault diagnosis of reciprocating compressor valves using Teager–Kaiser energy oper ...
- 基于MK-MMD度量迁移学习的轴承故障诊断方法研究
摘要 上一篇文章实验是基于凯斯西厨大学轴承数据集,使用同一负载情况下的6种轴承数据进行故障诊断,并没有进行不同负载下轴承故障诊断.之前没做这块迁移学习实验,主要是对于迁移学习理解不到位,也没有不知道从 ...
- PIE-engine APP教程 ——基于水体指数或监督分类方法的水体频率计算
本次我们来查看进行水体处理的分布,我们这里首先对数据进行预处理,先进行NDWI,AWEI.MNDWI等计算函数和去云函数,第二部分市机器学习部分这里有三个机器学习模型,分别是随机森林.贝叶斯和支持向量 ...
- 基于迁移学习的旋转机械故障诊断方法研究学习笔记
基于迁移学习的旋转机械故障诊断方法研究学习笔记 现在大一点的神经网络模型也要求数据量的足够大,但是对于小样本的数据,有一些神经网络模型也能够处理的很好 2. 这是现在神经网络也要求的数据最好能够独立同 ...
- 2021-06-21基于深度学习的智能机械故障诊断的部分域适应方法阅读笔记
文章目录 基于深度学习的智能机械故障诊断的部分域适应方法 一.提出的方法 二.网络优化 1.源域监督损失 2.实验比较 总结 基于深度学习的智能机械故障诊断的部分域适应方法 无监督的目标域训练数据不会 ...
最新文章
- android 动态 dex,Android 动态加载dex
- Maven出现User setting file does not exist ...\.m2\setting.xml的问题解决(同时也解决用户.m2目录下无setting.xml文件)...
- 共享库中的位置无关代码(PIC)
- 理解伪元素 :before 和 :after
- 《JavaScript语言精髓与编程实践》读书笔记二
- nginx开发从入门到精通 http://tengine.taobao.org/book/
- 防御CSRF、XSS和SQL注入***
- java拼装树_java 数据拼装成树结构
- 个人博客作业-week5-敏捷开发方法读后感
- bin文件转换成html,bin如何改成mp4
- After和Instead of触发器
- 重启网络显示:Device eth0 does not seem to be present,delaying initialization.
- python数列的平方_python数组平方
- autocad java api_在java中实现 AutoCAD api
- ubuntu下查看显卡型号
- ARMv7 与 ARMv8的区别
- Charles抓包乱码
- 许家印马不停蹄 恒大造车提速
- Python学习笔记:7.2.2 Django快速建站 - MTV模式
- 陆奇举刀,百度第三次重组内阁