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)