基于拉氏搜索方向的dee水電機(jī)組噪聲異常檢測(cè)方法
【專利摘要】一種基于拉氏搜索方向的DEE水電機(jī)組噪聲異常檢測(cè)方法,包括訓(xùn)練部分和測(cè)試部分,提出了一種引入噪聲源類別標(biāo)簽的鑒別性鄰域嵌入分析方法,同時(shí)以拉氏變換方向?yàn)槟繕?biāo)函數(shù)迭代方向,提升訓(xùn)練模型構(gòu)建效率?;诹餍袑W(xué)習(xí)的理論,本發(fā)明認(rèn)為水電機(jī)組噪聲源的檢測(cè)特征是由內(nèi)在結(jié)構(gòu)生成的,通過(guò)標(biāo)記噪聲源的增強(qiáng)內(nèi)在結(jié)構(gòu)之間的聯(lián)系,以更好的滿足鄰域關(guān)系一致性。通過(guò)鑒別性鄰域嵌入分析獲得水電機(jī)組噪聲源檢測(cè)特征,最后利用此特征檢測(cè)噪聲源。本發(fā)明所得識(shí)別率較高,并且能勝任大規(guī)模數(shù)據(jù)的鑒別任務(wù)。
【專利說(shuō)明】基于拉氏搜索方向的DEE水電機(jī)組噪聲異常檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及水電機(jī)組故障檢測(cè)領(lǐng)域,具體地說(shuō),是涉及一種基于鑒別性鄰域嵌入 分析的水電機(jī)組異常噪聲檢測(cè)方法。
【背景技術(shù)】
[0002] 水能資源主要是指水的勢(shì)能、動(dòng)能以及壓力能等帶來(lái)的能量資源,它是我國(guó)第二 大具有大規(guī)模開發(fā)能力的資源,并且是我國(guó)最大的可再生的資源,在未來(lái)十五年,水能的發(fā) 展將是我國(guó)重要的戰(zhàn)略方向??稍偕茉撮_發(fā)戰(zhàn)略是國(guó)家十二五規(guī)劃的重要組成部分。
[0003] 小水電是一種資源分布廣、開發(fā)潛力大、環(huán)境影響小、可擴(kuò)展利用的可再生能源, 在國(guó)家能源發(fā)展戰(zhàn)略上有著重大意義。在現(xiàn)階段,考慮到水電機(jī)組的復(fù)雜性以及小水電站 位置的苛刻性,通常采用專人值守的形式進(jìn)行設(shè)備維護(hù)與異常監(jiān)測(cè)。其過(guò)程不僅效率低下, 而且過(guò)分依賴于工作人員的經(jīng)驗(yàn)知識(shí),往往具有較高的誤判率,因此有必要研究機(jī)器學(xué)習(xí) 理論與統(tǒng)計(jì)學(xué)理論并實(shí)現(xiàn)高性能識(shí)別算法,用于實(shí)現(xiàn)無(wú)人值守的小水電監(jiān)測(cè)系統(tǒng)。鄰域嵌 入分析算法能夠有效地進(jìn)行數(shù)據(jù)分簇可視化操作,如何提升鄰域嵌入算法的鑒別性能并應(yīng) 用于水電機(jī)組噪聲源識(shí)別具有非常重要的研究?jī)r(jià)值。
[0004] 目前,采用機(jī)器學(xué)習(xí)的方法來(lái)對(duì)異常信號(hào)進(jìn)行特征檢測(cè)的方法有很多,主要有以 下幾類方法:主分量分析,線性判別分析,流行學(xué)習(xí),非負(fù)矩陣分解等。但是,由于小水電噪 聲數(shù)據(jù)維數(shù)過(guò)高,采用上述方法對(duì)其進(jìn)行分類仍然是一個(gè)困難的任務(wù),主要面臨的挑戰(zhàn):分 類性能差,存儲(chǔ)需求大、計(jì)算復(fù)雜度過(guò)高。近來(lái),一批基于隨機(jī)近鄰嵌入的降維技術(shù)吸引著 人們的眼球,同已有的技術(shù)相比,Hitton等提出的SNE目標(biāo)是使源高維空間概率分布表達(dá) 式和低維空間概率分布表達(dá)式完全匹配,Lee等引入微縮版的Jensen-Shannon散度,這樣 能更好的保存小K叉緊鄰信息。CarreiraPerpina提出了一種新的降維方法,稱為彈性嵌 入(EE),該算法在訓(xùn)練過(guò)程中保持兩個(gè)數(shù)據(jù)點(diǎn)之間坐標(biāo)和相關(guān)度的不變性。彈性嵌入分類 算法比SNE算法、t-SNE算法的效果更好,它不僅改善了算法的分類能力,并且在時(shí)間復(fù)雜 度方面得到了很大的提升,使得分類算法能夠直接應(yīng)用于數(shù)據(jù)的分類。但是仍然面臨高維 數(shù)據(jù)分類性能差挑戰(zhàn)。為了降低算法復(fù)雜獨(dú),提高識(shí)別率,需要尋找到更好的辦法來(lái)解決這 個(gè)問(wèn)題。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明要克服上述現(xiàn)有技術(shù)的缺點(diǎn),提出基于鑒別性鄰域嵌入分析的水電機(jī)組異 常檢測(cè)方法,能夠解決對(duì)高維數(shù)據(jù)分類效果不理想的問(wèn)題;其次,在有效地提高了識(shí)別率的 同時(shí),很好地保持了類內(nèi)及類間的樣本結(jié)構(gòu)。
[0006] 本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是:
[0007] -種基于拉氏搜索方向的DEE水電機(jī)組噪聲異常檢測(cè)方法,包括如下步驟:
[0008] 步驟1,訓(xùn)練部分,具體包括:
[0009] I. 1確定訓(xùn)練樣本矩陣X= [Xl,X2,…,xN]及其類別標(biāo)簽,設(shè)定方差參數(shù)X以及最 大迭代次數(shù)Mt;
[0010] 1. 2根據(jù)步驟al中樣本矩陣X計(jì)算輸入樣本間吸引權(quán)重?"+m和排斥權(quán)重:
【權(quán)利要求】
1. 一種基于拉氏搜索方向的DEE水電機(jī)組噪聲異常檢測(cè)方法,包括如下步驟:步驟1, 訓(xùn)練部分,具體包括: I. 1確定訓(xùn)練樣本矩陣X= [Xl,X2,…,XN]及其類別標(biāo)簽,設(shè)定方差參數(shù)入以及最大迭 代次數(shù)Mt ; 1. 2根據(jù)步驟al中樣本矩陣X計(jì)算輸入樣本間吸引權(quán)重和排斥權(quán)重:
其中1",Im代表樣本標(biāo)簽; 1. 3初始化變換矩陣A°,使其元素滿足(0, 1)高斯分布; 1. 4引入樣本類別標(biāo)簽和線性投影變換矩陣yi = Axi (A e If xd),在訓(xùn)練過(guò)程中保持兩 個(gè)數(shù)據(jù)點(diǎn)之間坐標(biāo)和相關(guān)度的不變性、最后利用拉氏方向梯度下降迭代策略,以實(shí)現(xiàn)全局 快速收斂,更新變換矩陣A : a. 鑒別性鄰域嵌入分類算法的目標(biāo)代價(jià)函數(shù)為: n,m-i n,m=i
b. 在此目標(biāo)函數(shù)下,通過(guò)拉氏方向迭代策略來(lái)參數(shù)化目標(biāo)泛函: bl利用投影矩陣A參數(shù)化目標(biāo)泛函:
為使表達(dá)方便,定義以下幾個(gè)輔助變量: xITIll = Xn_Xm W nm = W 入 W ;exp (_ I I YnI1J I 2) 通過(guò)上述輔助變量,上述梯度公式轉(zhuǎn)化為拉氏方向的梯度下降法可簡(jiǎn)化為:
其中,L = D-W,D = diag( E n= > J為度矩陣,Id為dXd識(shí)別矩陣,D+為正定對(duì)稱 矩陣,(L-D+)是對(duì)稱矩陣; 1.5輸出最終投影矩陣A ; 步驟2,測(cè)試部分具體包括: 2. 1確定測(cè)試樣本矩陣X' = [Xl,X2,…,xN]及其類別標(biāo)簽; 2. 2利用投影矩陣A將測(cè)試樣本投影至低維流形空間; 2. 3采用最近鄰分類器進(jìn)行識(shí)別率檢測(cè)。
【文檔編號(hào)】G06F19/00GK104361194SQ201410420937
【公開日】2015年2月18日 申請(qǐng)日期:2014年8月25日 優(yōu)先權(quán)日:2014年8月25日
【發(fā)明者】鄭建煒, 黃瓊芳, 邱虹, 王萬(wàn)良, 王海倫 申請(qǐng)人:浙江工業(yè)大學(xué)