基于加权判别随机邻域嵌入的故障特征提取算法
信息技术与网络安全 12期
夏丽莎1，刘 兵2
(1.上海理工大学 管理学院，上海200093；2.武汉科技大学 信息工程学院，湖北 武汉430081)
摘要： 针对大数据维数高、非线性强、噪声敏感、故障特征信息冗余、部分历史数据类别标记信息可获取等特点，对适用于非线性数据的t-SNE无监督流形学习方法进行改进，提出一种基于加权判别随机邻域嵌入的故障特征提取算法。在原始高维空间和相应的低维子空间定义包含类别信息的数据相似度，使用Manhattan距离作为度量方式以增大数据相对距离差，基于距离远近关系进行相似度加权，由此充分利用类别标记约束指导降维，使得类间更分散而类内更紧凑。结合KNN方法的UCI仿真数据集分类实验与KDD99网络故障诊断实验，表明该改进故障特征提取算法能够实现更有效的故障诊断。
中圖分類號： TP277
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.12.005
引用格式： 夏麗莎，劉兵. 基于加權判別隨機鄰域嵌入的故障特征提取算法[J].信息技術與網絡安全，2021，40(12)：26-31，39.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.12.005
引用格式： 夏麗莎，劉兵. 基于加權判別隨機鄰域嵌入的故障特征提取算法[J].信息技術與網絡安全，2021，40(12)：26-31，39.
Fault feature extraction method based on weighted discriminative stochastic neighbor embedding
Xia Lisha1，Liu Bing2
(1.School of Business，University of Shanghai for Science and Technology，Shanghai 200093，China； 2.School of Information Science and Engineering，Wuhan University of Science and Technology，Wuhan 430081，China)
Abstract： In this paper, considering the high dimensionality, strong non-linearity, noise sensitivity, fault feature information redundancy and category label accessibility for big data, a novel method named Weighted Discriminative Stochastic Neighbor Embedding(WDSNE) is proposed for fault features extraction. This WDSNE method is an improvement based on the t-SNE unsupervised manifold learning method for non-linear data. Firstly, the data similarity between the original high-dimensional space and corresponding low-dimensional subspace is defined together with category information. Secondly, the Manhattan distance is selected as the distance measure in order to enhance the relative distance difference. Thirdly, the weighted data similarity is re-defined according to the Manhattan distance distribution. As a result, the class label information can be fully utilized as constraints to guide dimensionality reduction. This will make the inter-class more decentralized and the intra-class more compact. Experiments based on both UCI dataset and KDD99 network fault dataset demonstrate the diagnosis effectiveness of the improved fault features extraction method.
Key words : category information；stochastic neighbor embedding；weighted distance；fault features extraction
0 引言
隨著互聯網等新一代信息技術在各領域的融合創新，大數據成為行業智能化的關鍵內容，對相應技術及應用具有重要推動作用。在故障診斷領域，這些實時產生的大數據能提供有力依據，但同時往往伴隨維數災難，導致計算復雜度高、存儲量大和算法性能衰減等問題產生，成為影響效果的絆腳石，需要借助一系列特征提取方法進行數據降維預處理，將高維空間數據投影至低維子空間，從而降低數據冗余度，提升故障診斷效率。
早期的特征提取方法基于線性假設，即假設數據來源于全局線性空間且變量間相互獨立，以主成分分析、獨立元分析、多維尺度方法、線性判別分析為典型代表。其中主成分分析方法以最小化特征信息丟失為目標，適用于呈高斯分布的原始數據；獨立元分析方法以最大化屬性獨立性為目標，可以處理非高斯分布的原始數據；多維尺度方法基于樣本相似度低維可視化，與主成分分析和線性判別分析同屬于無監督特征提取方法；線性判別分析方法以提高分類準確率為目標，適用于處理高斯分布數據，隸屬有監督特征提取方法。
本文詳細內容請下載：http://m.tom3567.com/resource/share/2000003892
作者信息：
夏麗莎1，劉 兵2
(1.上海理工大學 管理學院，上海200093；2.武漢科技大學 信息工程學院，湖北 武漢430081)
此內容為AET網站原創，未經授權禁止轉載。