[发明专利]一种基于故障二分类非负矩阵分解的可视化特征选择方法

说明书

一种基于故障二分类非负矩阵分解的可视化特征选择方法，先将多分类问题按照排列组合方式划分成多个二分类问题，然后通过高维特征集合的非负矩阵分解，将分解矩阵进行热图表达，最终利用热图的显著表达原理选择有效分类特征，通过分类特征的并提取整个数据集合的敏感特征；本发明能够实现计算机和人的相互协作与优势互补，在对原始高维原始特征进行降维的同时保证了低维特征子集的良好的分类性能。

技术领域

本发明属于机械设备状态检测与故障诊断技术领域，具体涉及一种基于故障二分类非负矩阵分解的可视化特征选择方法。

背景技术

随着机电系统的复杂程度和集成化水平不断提高，设备在运行过程中发生故障的风险也在不断增加。为了准确识别机电系统在运行过程中萌生和演变的故障，对出现异常的部件进行及时的诊断和处理，状态监测与故障诊断就变得非常必要。而随着信息获取技术的不断进步，能够获得的有关系统状态和运行参数的特征量越来越多，包括了冗余和无关特征信息，这为后续的诊断识别带来了巨大挑战，这就需要对高维数据进行有效的特征选择和提取工作。除了传统的维数约简方法外，非负矩阵分解(Non-negative MatrixFactorization，NMF)方法可以得到原特征数据矩阵的低秩逼近，分解结果具有较好的可解释性和物理意义，通过与特征相关的分解矩阵能够实现数据特征的维数约简，在监测诊断领域得到了推广应用。

但是，目前基于非负矩阵分解的特征分析方法中，采用的是原始多类故障样本矩阵分解的基矩阵或系数矩阵直接分析，以算法为中心，选择过程中通常缺乏人的参与，致使选择的过程不够透明直观，选择的结果可解释性不强，限制了特征分析和选择的效果。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于故障二分类非负矩阵分解的可视化特征选择方法，结合了非负矩阵分解结果的物理意义及热图的显著表达优点，使得特征选择变得直观形象，保证了所选特征子集的分类精度。

为了达到上述目的，本发明所采用的技术方案是：

一种基于故障二分类非负矩阵分解的可视化特征选择方法，包括以下步骤：

1)提取待处理的数据集V_m×n，数据集的行m代表着样本，列n代表着特征；

2)将数据集V_m×n进行非负化、归一化处理，

式中：i＝1，2，...，m；j＝1，2，...，n，maxV_ij为列向量V_j的最大值；minV_kj为列向量V_j的最小值；

3)将原始的多故障分类的问题按照排列组合方式划分成多个二分类问题，假设V_m×n含有N类样本，则划分的每一个二分类问题对应的特征集合表示为P_i，其中

4)对每个非负的特征集合采用最小二乘迭代算法分解，即P_i＝W_iH_i；

随机初始化W_i和H_i，低维嵌入维数r_i优先选择与样本类别数相同，非负矩阵分解得到基矩阵W_i和系数矩阵H_i，迭代规则如下：

式中：Wi为特征集合P_i非负矩阵分解得到的基矩阵，表示基矩阵W_i的转置，H_i为特征集合P_i非负矩阵分解得到的系数矩阵，表示系数矩阵H_i的转置；