[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

摘要

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。

主权项

1.一种基于故障二分类非负矩阵分解的可视化特征选择方法，其特征在于，包括以下步骤：1)提取待处理的数据集Vm×n，数据集的行m代表着样本，列n代表着特征；2)将数据集Vm×n进行非负化、归一化处理，式中：i＝1，2，...，m；j＝1，2，...，n，maxVij为列向量Vj的最大值；minVkj为列向量Vj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Wi和Hi，低维嵌入维数ri优先选择与样本类别数相同，非负矩阵分解得到基矩阵Wi和系数矩阵Hi，迭代规则如下：式中：W_i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；5)对基矩阵Wi和系数矩阵Hi进行热图可视化表达，基矩阵Wi的行对应着样本，系数矩阵Hi的列对应着原始特征；6)观察基矩阵Wi的特征聚类情况，若在基矩阵Wi其中一列能观察到两类样本明显分开，则进行步骤7)，否则重新选择低维嵌入维数ri，返回步骤4)；7)在热图中采用显著表达原理选择出分类特征Fi，通过调节热图阈值控制分类特征个数为1；8)对所有二分类问题求得的分类特征Fi做并集运算，得到最终的分类特征集合F，