[发明专利]一种基于线性判别邻域保持嵌入的故障分类方法

权利要求书

1.一种基于线性判别邻域保持嵌入的故障分类方法，其特征在于，该方法包括如下步骤：

步骤1：对某工业生产过程实施若干次的模拟仿真，每次仿真过程设置不同的故障类型，采集仿真过程获得的不同种类故障的数据，每种故障的数据构成一个样本子集，所有样本子集构成TE故障数据集；

步骤2：从TE故障数据集中随机选取两个样本子集，获取两类需要分类的故障样本点，并分别从选取出的两个样本子集中划分出测试数据和训练数据，其中所述测试数据构成测试样本集，所述训练数据构成训练样本集，训练样本集每个样本点的故障类别构成样本类别集合；

步骤3：初始化邻域保持嵌入算法相关参数，包括近邻点个数k、降维目标维数d；

步骤4：找出训练样本集中每个样本点除自身外的k个近邻点，并根据该k个近邻点构造每个样本点的邻域图；

步骤5：根据训练样本集中每个样本点的邻域图，对训练样本集中每个样本点x_i与其近邻点的连接赋予权值，通过其近邻点的线性组合对每个样本点进行重构，并通过使重构误差最小化计算邻接矩阵W；

步骤6：根据训练样本集以及步骤5得到的邻接矩阵W，对待求解的降维后的样本点通过其降维后近邻点的线性组合进行重构，通过使重构误差函数最小化，构建邻域保持嵌入模型的目标函数；

步骤7：根据训练样本集中每个样本点的近邻点集合以及训练样本集中每个样本点的类别信息构建判别邻域嵌入模型的权值矩阵，同时引入线性判别分析算法的思想，将步骤6中求解邻域保持嵌入模型投影矩阵的重构误差函数和求解判别邻域嵌入模型投影矩阵的目标函数分别作为基于类别信息的邻域保持嵌入模型的目标函数的分母与分子，从而构建基于类别信息的邻域保持嵌入模型；

步骤8：根据训练样本集中样本的类别信息，计算样本类内散度矩阵S_w和类间散度矩阵S_b，构建线性判别分析模型的目标函数；

步骤9：将基于类别信息的邻域保持嵌入模型与线性判别分析模型结合，把基于类别信息的邻域保持嵌入模型目标函数的分子与线性判别分析模型目标函数的分子相加作为线性判别邻域保持嵌入模型目标函数的分子，将基于类别信息的邻域保持嵌入模型目标函数的分母与线性判别分析模型目标函数的分母相加作为线性判别邻域保持嵌入模型目标函数的分母，从而构建线性判别邻域保持嵌入模型的目标函数，并计算出线性判别邻域保持嵌入模型的投影矩阵A₄；

步骤10、使用步骤9得到的投影矩阵A₄对测试样本集降维，通过支持向量机方法对测试样本集中的样本进行分类。

2.根据权利要求1所述的基于线性判别邻域保持嵌入的故障分类方法，其特征在于，所述找出训练样本集中每个样本点除自身外的k个近邻点的方法为：计算训练样本集X＝[x₁,...,x_n]中每个样本点与其他所有样本点的欧氏距离，依据欧式距离找出每个样本点除自身外的k个近邻点。

3.根据权利要求1所述的基于线性判别邻域保持嵌入的故障分类方法，其特征在于，所述邻接矩阵W满足如下要求：

对于非零的权值w_ij，通过式(2)所示的重构误差函数求得：

其中，邻接矩阵W为n×n的矩阵，W的第i行第j列的值w_ij代表着样本点x_i与训练样本集X中所有样本点x_j的连接权值；N(x_i)为训练样本集X中每个样本点x_i的近邻点集合；x_i(i＝1,2,...,n)表示训练样本集X中的第i个样本点，x_j(j＝1,2,……,n)表示训练样本集X中的第j个样本点。