技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于自適應(yīng)的集成半監(jiān)督費(fèi)舍爾判別的工業(yè)過(guò)程故障分類方法，該方法在進(jìn)行離線建模時(shí)，首先對(duì)無(wú)標(biāo)簽數(shù)據(jù)進(jìn)行隨機(jī)采樣，與有標(biāo)簽數(shù)據(jù)組成半監(jiān)督隨機(jī)訓(xùn)練子集。在每次迭代訓(xùn)練子分類器時(shí)進(jìn)行半監(jiān)督費(fèi)舍爾降維獲得費(fèi)舍爾判別矩陣，將降維后的有標(biāo)簽樣本數(shù)據(jù)根據(jù)貝葉斯統(tǒng)計(jì)方法得到后驗(yàn)概率矩陣、該子分類器的融合權(quán)重以及下次迭代時(shí)有標(biāo)簽數(shù)據(jù)的樣本權(quán)重。將有標(biāo)簽數(shù)據(jù)的后驗(yàn)概率矩陣及其標(biāo)簽作為融合算法K近鄰的訓(xùn)練集。在線分類時(shí)，調(diào)用上述各個(gè)子分類器得到在線待測(cè)樣本的后驗(yàn)概率矩陣，輸入到帶有權(quán)重的融合K近鄰分類器中得到最終結(jié)果。相比現(xiàn)存方法，本發(fā)明提高了工業(yè)過(guò)程的故障分類效果，更有利于工業(yè)過(guò)程的自動(dòng)化實(shí)施。

技術(shù)研發(fā)人員：葛志強(qiáng);王虹鑒
受保護(hù)的技術(shù)使用者：浙江大學(xué)
文檔號(hào)碼：201710056648
技術(shù)研發(fā)日：2017.01.25
技術(shù)公布日：2017.06.13