一种多模式系统的特征降维方法

    公开(公告)号:CN106096640A

    公开(公告)日:2016-11-09

    申请号:CN201610396999.5

    申请日:2016-05-31

    CPC classification number: G06K9/6223 G06K9/6274

    Abstract: 本发明涉及一种多模式系统的特征降维方法,包括:采集多模式系统不同工作模式Fn下的M组样本特征向量依次对样本特征向量进行标准化处理,得到标准化样本特征向量构建多模式样本的标准化特征矩阵利用局部线性嵌入算法对标准化特征矩阵进行非线性降维,选出同类模式中最相似的N‑1维特征;利用多维尺度变换算法对步骤(4)中的矩阵进行线性降维,选出不同类模式中差别最大的二维特征矩阵。本发明融合了非线性和线性流形学习算法的特征提取技术,通过对高维数据有效的特征降维,降低多模式系统模式识别的难度;能最大限度的保留高维数据的线性和非线性结构,保持高维数据的领域特性和距离相似性。

    基于集成学习的电力电子开关器件网络故障诊断方法

    公开(公告)号:CN105589037A

    公开(公告)日:2016-05-18

    申请号:CN201610153192.9

    申请日:2016-03-16

    CPC classification number: G01R31/327

    Abstract: 基于集成学习的电力电子开关器件网络故障诊断方法,包括以下步骤:(1)采集电力电子电路在不同开关器件故障模式下的输出电压或电流信号向量集{Vnq},n=1,2,…,N;(2)利用主成分分析从信号向量Vnq中提取故障模式Fq下的归一化故障特征向量,根据归一化故障特征向量得到归一化故障特征向量集(3)用归一化故障特征向量集依次训练k个神经网络基元分类器,设定神经网络基元分类器个数上限K=50和系统误差阈值e0;(4)针对待测电路重复步骤(1)(2),得待测故障特征向量V*,将其分别接入训练好的k个神经网络基元分类器,并利用集成学习方法得到集成识别结果。本发明可避免单一神经网络的过学习和陷入局部最小值的缺陷,提高神经网络基元分类器的分类精度。

Patent Agency Ranking