CN110738248A - 状态感知数据特征提取方法及装置、系统性能评估方法 - Google Patents
状态感知数据特征提取方法及装置、系统性能评估方法 Download PDFInfo
- Publication number
- CN110738248A CN110738248A CN201910943034.7A CN201910943034A CN110738248A CN 110738248 A CN110738248 A CN 110738248A CN 201910943034 A CN201910943034 A CN 201910943034A CN 110738248 A CN110738248 A CN 110738248A
- Authority
- CN
- China
- Prior art keywords
- state
- data
- mapping
- perception data
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本申请涉及一种状态感知数据特征提取方法及装置、系统性能评估方法。其中,特征提取方法中,先获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合ci是M维的状态感知数据测试样本,N1为状态感知数据测试样本的样本数,M和N1均为正整数;状态感知数据用于反映待测系统的健康状态;将状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c);在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后更加接近,状态感知数据测试样本集合中不相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后距离更远。
Description
技术领域
本发明涉及系统信息处理技术领域,特别是涉及一种状态感知数据特征提取方法及装置、系统性能评估方法。
背景技术
这里的陈述仅提供与本申请有关的背景信息,而不必然地构成现有技术。
在系统状态感知及分析应用中,尤其是复杂系统状态感知及分析应用中,常利用图嵌入特征提取方法或者关注数据的统计特性,实现数据的去相关和去冗余。常见的特征提取方法,一种是关注数据的全局结构,如PCA/KPCA和LDA/KFDA等算法,能较好地提取数据的全局结构特征,但往往忽视了数据的局部特性,另一种是关注数据的局部结构,如NEP/KNPE和LPP/KLPP等算法,能有效保留样本的局部结构信息,但对数据全局结构缺乏描述。也就是说,传统技术中提供的图嵌入特征提取方法并未充分利用数据样本的局部信息与全局信息,不能构建充分反映原始状态感知数据之间相似性关系的几何结构,从而影响系统状态评估和预测的精度。
发明内容
基于此,有必要针对利用传统技术中图嵌入特征提取方法所提取的数据进行系统状态评估时精度低的问题,提供一种状态感知数据特征提取方法及装置、系统性能评估方法。
本申请实施例提供了一种状态感知数据特征提取方法,包括:
获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为状态感知数据测试样本的样本数,M和N1均为正整数;状态感知数据用于反映待测系统的健康状态;
将状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后更加接近,而状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后距离更远。
在其中一个实施例中,最优映射矩阵WΦ的构建步骤包括:
获取待测系统的状态感知数据训练样本,并获得状态感知数据训练样本集合其中,xi是M维的状态感知数据训练样本,N为状态感知数据训练样本的样本数;
将状态感知数据训练样本xi经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(x),其中,x∈RM,且Φ(x)∈F;
构建核矩阵并对核矩阵K进行正交分解,获得核矩阵K的正交特征向量P(P=r1,r2,...,rP,P<M)和特征值对角阵Λ=diag(λ1,λ2,...,λP);其中,k(xi,xj)=<Φ(xi),Φ(xj)>;
其中,sΦ(xi,xj)为状态感知数据训练样本经非线性映射Φ投射后的数据样本间的相似性;
求解约束函数最小化时的映射向量β;
在其中一个实施例中,求解约束函数最小化时的映射向量β的步骤包括:
获得约束函数对应的拉格朗日算子L(β)=βTLnβ-λ(βTLlβ-I);
当拉格朗日算子L(β)=βTLnβ-λ(βTLlβ-I)的梯度为0时有:
Lnβ=λLlβ
在其中一个实施例中,核函数为径向基核函数,根据预先选定的核函数对状态感知数据训练样本经非线性映射Φ投射后得到的数据样本间的相似性进行扩展后得到的相似性矩阵为:
其中,δ>0。
在其中一个实施例中,构建约束函数的步骤包括:
构建局部代价函数:
构建非局部代价函数:
构建目标函数:
在其中一个实施例中,在高维特征空间F中将映射数据集Φ1(x)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量的步骤包括:
在高维特征空间F中将映射数据集Φ(x)按以下公式经最优映射矩阵WΦ映射后获得目标特征向量zΦ:
在其中一个实施例中,获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合的步骤包括:
获取待测系统的状态感知数据测试样本并对状态感知数据测试样本进行预处理;
获得经过预处理后的状态感知数据测试样本的集合
一种系统性能评估方法,包括:
上述状态感知数据特征提取方法的步骤;
以及
根据目标特征向量和预先构建的性能评估模型评估待测系统的性能。
一种状态感知数据特征提取装置,包括:
样本数据获取单元,用于获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为状态感知数据测试样本的样本数,M和N1均为正整数;状态感知数据用于反映待测系统的健康状态;
高维映射单元,用于将状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
目标特征向量提取单元,用于在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后更加接近,而状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后距离更远。
一种系统性能评估装置,包括:上述状态感知数据特征提取装置;以及
性能评估执行单元,用于根据目标特征向量和预先构建的性能评估模型评估待测系统的性能。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述状态感知数据特征提取方法的步骤和/或上述系统性能评估方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述状态感知数据特征提取方法的步骤和/或上述系统性能评估方法的步骤。
本申请实施例提供的状态感知数据特征提取方法,通过将原始数据空间中的状态感知数据测试样本经非线性映射从原始空间RM投影到高维特征空间F得到Φ(c),并在该高维特征空间F中,将高维特征空间向量Φ(c)经预先构建的最优映射矩阵WΦ来使得原始空间RM中彼此相邻的样本经过投影后更加接近,而原始空间中彼此不相邻的样本经过投影后距离更远,从而提高状态感知数据特征提取的准确性,进一步提升系统状态感知及分析的精度。
附图说明
图1为一个实施例中状态感知数据特征提取方法的流程示意图;
图2为另一个实施例中状态感知数据特征提取方法的流程示意图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件并与之结合为一体,或者可能同时存在居中元件。本文所使用的术语“安装”、“一端”、“另一端”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供了本申请实施例提供了一种状态感知数据特征提取方法,包括:
S20:获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为状态感知数据测试样本的样本数,M和N1均为正整数;状态感知数据用于反映待测系统的健康状态;
S40:将状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
S60:在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后更加接近,而状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后距离更远。
其中,待测系统可以是铁路系统、生产车间控制系统等多种类型的系统。状态感知数据是指由感知设备或传感设备感受、测量及传输的健康状态数据,例如,可以用多个相关传感器采集反映系统健康状态的状态感知数据,再获取这些传感器采集的状态感知数据测试样本,可选的,还可以用各种信号处理以及时频域分析方法对传感器采集的状态感知数据测试样本进行预处理,得到预处理后的状态感知数据测试样本集。非线性映射Φ可以是根据应用的系统特性所选取的,例如,可以是x2,x3,x4等映射规则。最优映射矩阵WΦ是面向全数据的、能够同时实现局部信息保留和非局部信息保留的转化矩阵,且能够使得提取的局部信息中相邻样本经过最优映射矩阵WΦ投影后仍然相邻,使得提取的非局部信息中不相邻的样本经过最优映射矩阵WΦ投影后距离更远。
具体的,本申请实时例提供的状态感知数据特征提取方法,首先用多个相关传感器采集反映系统健康状态的状态感知数据,将获取的状态感知数据作为测试数据样本,在此基础上,获得状态感知数据测试样本集为了方便使用线性学习器分类对特征进行筛选和提取,首先将状态感知数据集中的状态感知数据经非线性映射Φ投射到M维的高维特征空间F,在高维特征空间F进行数据分类,提取目标特征用于评估系统性能。为了同时实现非局部信息的保留和局部信息的保留,预先构建最优映射矩阵WΦ,经过该最优映射矩阵WΦ映射后的数据不仅可以使得原始空间中近邻的状态感知数据依然保持相邻,还可以使得原始空间中不相邻的状态感知数据距离更远,从而更好的实现数据分类,提取出的特征数据也能够全面反映系统局部和全局情况,可靠性高,利用该特征数据进行系统性能评估的结果也更准确。
在其中一个实施例中,最优映射矩阵WΦ的构建步骤包括:
获取待测系统的状态感知数据训练样本,并获得状态感知数据训练样本集合其中,xi是M维的状态感知数据训练样本,N为状态感知数据训练样本的样本数;
将状态感知数据训练样本xi经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(x),其中,x∈RM,且Φ(x)∈F;
构建核矩阵并对核矩阵K进行正交分解,获得核矩阵K的正交特征向量P(P=r1,r2,...,rP,P<M)和特征值对角阵Λ=diag(λ1,λ2,...,λP);其中,k(xi,xj)=<Φ(xi),Φ(xj)>;
其中,sΦ(xi,xj)为状态感知数据训练样本经非线性映射Φ投射后的数据样本间的相似性;其中,判断两个样本是否为相邻样本,可以通过现有的聚类分析、距离判断等多种方法实现,在此不做赘述。
求解约束函数最小化时的映射向量β;
具体求解过程可以采用拉格朗日算子或者其他方法实现。
在其中一个实施例中,求解约束函数最小化时的映射向量β的步骤包括:
获得约束函数对应的拉格朗日算子L(β)=βTLnβ-λ(βTLlβ-I);
当拉格朗日算子L(β)=βTLnβ-λ(βTLlβ-I)的梯度为0时有:
Lnβ=λLlβ
对Lnβ=λLlβ进行特征值求解,获得使约束函数最小的映射向量β;其中,I为单位向量。
在其中一个实施例中,核函数为径向基核函数,根据预先选定的核函数对状态感知数据训练样本经非线性映射Φ投射后得到的数据样本间的相似性进行扩展后得到的相似性矩阵为:
其中,δ>0。
在其中一个实施例中,构建约束函数的步骤包括:
构建局部代价函数:
构建非局部代价函数:
构建目标函数:
在其中一个实施例中,在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量的步骤包括:
在高维特征空间F中将映射数据集Φ(c)按以下公式经最优映射矩阵WΦ映射后获得目标特征向量zΦ:
获取待测系统的状态感知数据测试样本并对状态感知数据测试样本进行预处理;
为更好的说明本申请实施例提供的状态感知数据特征提取方法,在此以核函数为径向基核函数为例进行说明。为避免传统技术中只考虑局部信息或全局信息,进一步导致的利用该信息去进行系统评估时可靠性低的问题,如图2所示,本申请实施例提供的状态感知数据特征提取方法,同时利用从各种传感器件获取的原始的状态感知数据的局部信息和全局信息指导特征提取过程的局部和非局部图构建S1及局部和非局部图优化S2,在保留低维原始数据空间中属于相同簇样本的几何结构的同时,最大化来自不同簇的样本经过非线性映射后的距离。与PCA/KPCA这类仅考虑给定数据全局方差信息的方法相比,该设计思路使得KGEFE-LNG方法能提取更多的有用信息。
具体的,从获取的状态感知数据训练样本中挑选、给定一个训练数据集合:其中xi是M维的训练样本,N为样本数。核化局部与非局部图嵌入方法的目的为找到一个最优映射矩阵WΦ=RM×P,使其将原始数据xi从原始空间RM经过非线性映射Φ投影到某一高维特征空间F,然后在此空间F中执行核化局部与非局部图嵌入方法,得到新特征P<M作为目标特征,作为后续评估系统性能的数据源。其中,非线性映射Φ:x∈RM→Φ(x)∈F。
在高维特征空间F,任何特征值都可由特征向量的线性组合表示:
然后得到核矩阵K=ΨTΨ,对所述核矩阵K进行正交分解,获得所述核矩阵K的正交特征向量P(P=r1,r2,...,rP,P<M)和特征值对角阵Λ=diag(λ1,λ2,...,λP);
其中sΦ(xi,xj)为样本经非线性映射后的相似性,利用预先选定的核函数对所述状态感知数据训练样本经非线性映射Φ投射后得到的数据样本间的相似性进行扩展后得到的相似性矩阵:
可得到其非线性相似性计算公式:
||Φ(xi)-Φ(xj)||2=k(xi,xi)+k(xj,xj)-2k(xi,xj);
进一步有:
其中δ为自由参数,可根据具体应用场景进行设置,δ>0。
上式表明,若两个样本xi和xj互为近邻样本,则采用径向基核函数作为其相似性度量方式,用来表征样本在非线性映射空间的局部信息。反之,若两个样本xi和xj互不为近邻样本,此时亦采用径向基核函数作为其相似性度量方式,用来度量样本在在非线性映射空间的非局部信息。
核化局部与非局部图嵌入方法的目标之一是找到一个投影矩阵WΦ,使得原始空间中彼此相邻的样本经过投影后仍然相邻,可通过最小化下述代价函数实现局部信息的保留:
核化局部与非局部图嵌入方法的另一目标是从给定的样本中提取出非局部信息,使得原始空间中彼此不相邻的样本经过投影后距离更远,可通过最大化下述代价函数获得:
为了在非监督的情况下实现有效的特征提取,就是找到某些投影方向,使得原始数据空间RM中彼此相邻的样本经过投影后更加接近,而原始数据空间RM中彼此不相邻的数据样本经过非线性投影和非线性矩阵投影后距离更远。从这个角度来说,一个好的投影方向应该是在最小化局部Jl(WΦ)的同时最大化非局部Jn(WΦ)。若非线性变换WΦ可同时满足公式(5)和公式(6),则可有效地从原始数据中提取出局部和非局部信息,核化局部图嵌入方法可通过最小化下述目标函数来获取非线性投影矩阵WΦ:
核化图嵌入方法的原理为通过求解上述目标函数求映射矩阵WΦ,此时该目标约束函数可转化成求解特征值问题。任何特征值都可由特征向量的线性组合表征:
利用核矩阵K的正交分解,可得到核矩阵K对应于前P个最大特征值λ1≥λ2≥...≥λP的正交特征向量P(P=r1,r2,...,rP,P<M),即K=PΛP,其中Λ=diag(λ1,λ2,...,λP)。令即 上述公式(7)可转换为下述约束函数:
最后,上述约束函数最小化问题可通过公式(8)对应的拉格朗日算子求解:
L(β)=βTLnβ-λ(βTLlβ-I) (9)
设置L(β)对β的梯度为0,则有:
Lnβ=λLlβ (10)
进一步通过求解特征值问题求解使目标函数最小的映射向量β,此时映射矩阵可写为:
再将用于测试系统性能的状态感知数据测试样本ci经过映射向量Φ投射后的向量Φ(c)经映射向量WΦ映射得到的特征向量:
由上述对核矩阵的正交分解结果,易知:
需要说明的是,映射向量β为面向全部数据的映射向量,即对于训练数据和用于测试系统性能的测试样本数据来说,其均是适用的。此处核函数的选取以及求解特征值所选用的方法并不对本申请的保护范围造成限定。例如,可以利用主成分分析(KernelPrinciple ComponentAnalysis,KPCA)方法来构建非局部核矩阵,利用核局部保留映射(Kernel Locality Preserving Projection,KLPP)方法来构建局部核矩阵。
一种系统性能评估方法,包括:
上述状态感知数据特征提取方法的步骤;
以及
根据目标特征向量和预先构建的性能评估模型评估待测系统的性能。
其中,本申请实施例提供的系统性能评估方法,通过利用上述状态感知数据特征提取方法,提取目标特征向量,然后利用该目标特征向量中的目标特征和预先构建的性能评估模型评估待测系统的性能,由于目标特征向量中既包括表征局部信息的量,还包括能够表征全局信息的量,所以利用该目标特征进行系统性能评估的精准度高。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
一种状态感知数据特征提取装置,包括:
样本数据获取单元,用于获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为状态感知数据测试样本的样本数,M和N1均为正整数;状态感知数据用于反映待测系统的健康状态;
高维映射单元,用于将状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
目标特征向量提取单元,用于在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后更加接近,而状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后距离更远。
其中,关于状态感知数据特征提取装置的具体限定可以参见上文中对于状态感知数据特征提取方法的限定,在此不再赘述。上述状态感知数据特征提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。且本申请实施例提供的状态感知数据特征提取装置中的单元模块还能实现上述方法实施例中的其他步骤,实现该方法步骤达到的有益效果。
一种系统性能评估装置,包括:上述状态感知数据特征提取装置;以及
性能评估执行单元,用于根据目标特征向量和预先构建的性能评估模型评估待测系统的性能。
其中,关于系统性能评估装置的具体限定可以参见上文中对于系统性能评估方法的限定,在此不再赘述。上述系统性能评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储状态感知数据训练样本、最优映射矩阵、核矩阵K、性能评估模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种状态感知数据特征提取方法或系统性能评估方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
S20:获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为状态感知数据测试样本的样本数,M和N1均为正整数;状态感知数据用于反映待测系统的健康状态;
S40:将状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
S60:在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后更加接近,而状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后距离更远。
其中,待测系统等释义均与上述方法实施例中释义相同,在此不做赘述。本申请实施例提供的计算机设备上的处理器在执行存储器上存储的程序时,可以实现上述方法步骤能够达到的有益效果,具体实现过程可以参照上述方法实施例中的描述。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S20:获取待测系统的状态感知数据测试样本并获得状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为状态感知数据测试样本的样本数,M和N1均为正整数;状态感知数据用于反映待测系统的健康状态;
S40:将状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
S60:在高维特征空间F中将映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后更加接近,而状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经最优映射矩阵WΦ投影后距离更远。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种状态感知数据特征提取方法,其特征在于,包括:
获取待测系统的状态感知数据测试样本并获得所述状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为所述状态感知数据测试样本的样本数,M和N1均为正整数;所述状态感知数据用于反映所述待测系统的健康状态;
将所述状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
在所述高维特征空间F中将所述映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使所述状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经所述最优映射矩阵WΦ投影后更加接近,而所述状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经所述最优映射矩阵WΦ投影后距离更远。
2.根据权利要求1所述的状态感知数据特征提取方法,其特征在于,所述最优映射矩阵WΦ的构建步骤包括:
将所述状态感知数据训练样本xi经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(x),其中,x∈RM,且Φ(x)∈F;
构建核矩阵并对所述核矩阵K进行正交分解,获得所述核矩阵K的正交特征向量P(P=r1,r2,...,rP,P<M)和特征值对角阵Λ=diag(λ1,λ2,...,λP);其中,k(xi,xj)=<Φ(xi),Φ(xj)>;
构建局部相似性矩阵
其中,sΦ(xi,xj)为所述状态感知数据训练样本经非线性映射Φ投射后的数据样本间的相似性;
构建约束函数其中, 为局部协方差矩阵, 为非局部散射矩阵,T为矩阵转置;其中,sΦ ij是根据预先选定的核函数对所述状态感知数据训练样本经非线性映射Φ投射后得到的数据样本间的相似性进行扩展后得到的相似性矩阵;
求解所述约束函数最小化时的映射向量β;
根据所述映射向量β获得所述最优映射矩阵
3.根据权利要求2所述的状态感知数据特征提取方法,其特征在于,求解所述约束函数最小化时的映射向量β的步骤包括:
获得所述约束函数对应的拉格朗日算子L(β)=βTLnβ-λ(βTLlβ-I);
当所述拉格朗日算子L(β)=βTLnβ-λ(βTLlβ-I)的梯度为0时有:
Lnβ=λLlβ
对Lnβ=λLlβ进行特征值求解,获得使所述约束函数最小的映射向量β;其中,I为单位向量。
8.一种系统性能评估方法,其特征在于,包括:
权利要求1-7中任一项所述的状态感知数据特征提取方法的步骤;
以及
根据所述目标特征向量和预先构建的性能评估模型评估所述待测系统的性能。
9.一种状态感知数据特征提取装置,其特征在于,包括:
样本数据获取单元,用于获取待测系统的状态感知数据测试样本并获得所述状态感知数据测试样本集合其中,ci是M维的状态感知数据测试样本,N1为所述状态感知数据测试样本的样本数,M和N1均为正整数;所述状态感知数据用于反映所述待测系统的健康状态;
高维映射单元,用于将所述状态感知数据测试样本ci经过非线性映射Φ映射到高维特征空间F,得到映射数据集Φ(c),其中,c∈RM,且Φ(c)∈F;
目标特征向量提取单元,用于在所述高维特征空间F中将所述映射数据集Φ(c)经过预先构建的最优映射矩阵WΦ映射后获得目标特征向量,使所述状态感知数据测试样本集合中彼此相邻的状态感知数据测试样本经所述最优映射矩阵WΦ投影后更加接近,而所述状态感知数据测试样本集合中彼此不相邻的状态感知数据测试样本经所述最优映射矩阵WΦ投影后距离更远。
10.一种系统性能评估装置,其特征在于,包括:权利要求9所述的状态感知数据特征提取装置;以及
性能评估执行单元,用于根据所述目标特征向量和预先构建的性能评估模型评估所述待测系统的性能。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7中任一项所述的状态感知数据特征提取方法的步骤和/或权利要求8所述的系统性能评估方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述的状态感知数据特征提取方法的步骤和/或权利要求8所述的系统性能评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943034.7A CN110738248B (zh) | 2019-09-30 | 2019-09-30 | 状态感知数据特征提取方法及装置、系统性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943034.7A CN110738248B (zh) | 2019-09-30 | 2019-09-30 | 状态感知数据特征提取方法及装置、系统性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738248A true CN110738248A (zh) | 2020-01-31 |
CN110738248B CN110738248B (zh) | 2022-09-27 |
Family
ID=69269835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910943034.7A Active CN110738248B (zh) | 2019-09-30 | 2019-09-30 | 状态感知数据特征提取方法及装置、系统性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738248B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116915511A (zh) * | 2023-09-13 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 信息处理方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080082468A1 (en) * | 2004-11-11 | 2008-04-03 | The Trustees Of Columbia University In The City Of New York | Methods and systems for identifying and localizing objects based on features of the objects that are mapped to a vector |
CN101916376A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 基于局部样条嵌入的正交半监督子空间图像分类方法 |
CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
CN104573031A (zh) * | 2015-01-14 | 2015-04-29 | 哈尔滨工业大学深圳研究生院 | 一种微博突发事件检测方法 |
CN104899578A (zh) * | 2015-06-26 | 2015-09-09 | 苏州大学张家港工业技术研究院 | 一种人脸识别的方法及装置 |
CN105956574A (zh) * | 2016-05-17 | 2016-09-21 | 重庆交通大学 | 不同转速下滚动轴承寿命状态同尺度表征与识别方法 |
CN107133496A (zh) * | 2017-05-19 | 2017-09-05 | 浙江工业大学 | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 |
CN107194414A (zh) * | 2017-04-25 | 2017-09-22 | 浙江工业大学 | 一种基于局部敏感哈希的svm快速增量学习算法 |
CN107220614A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像识别方法、装置及计算机可读存储介质 |
CN108108657A (zh) * | 2017-11-16 | 2018-06-01 | 浙江工业大学 | 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108490414A (zh) * | 2018-05-08 | 2018-09-04 | 电子科技大学 | 一种基于时频分布瞬时频率边缘特征的雷达目标识别方法 |
-
2019
- 2019-09-30 CN CN201910943034.7A patent/CN110738248B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080082468A1 (en) * | 2004-11-11 | 2008-04-03 | The Trustees Of Columbia University In The City Of New York | Methods and systems for identifying and localizing objects based on features of the objects that are mapped to a vector |
CN101916376A (zh) * | 2010-07-06 | 2010-12-15 | 浙江大学 | 基于局部样条嵌入的正交半监督子空间图像分类方法 |
CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
CN104573031A (zh) * | 2015-01-14 | 2015-04-29 | 哈尔滨工业大学深圳研究生院 | 一种微博突发事件检测方法 |
CN104899578A (zh) * | 2015-06-26 | 2015-09-09 | 苏州大学张家港工业技术研究院 | 一种人脸识别的方法及装置 |
CN105956574A (zh) * | 2016-05-17 | 2016-09-21 | 重庆交通大学 | 不同转速下滚动轴承寿命状态同尺度表征与识别方法 |
CN107194414A (zh) * | 2017-04-25 | 2017-09-22 | 浙江工业大学 | 一种基于局部敏感哈希的svm快速增量学习算法 |
CN107133496A (zh) * | 2017-05-19 | 2017-09-05 | 浙江工业大学 | 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法 |
CN107220614A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像识别方法、装置及计算机可读存储介质 |
CN108108657A (zh) * | 2017-11-16 | 2018-06-01 | 浙江工业大学 | 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法 |
CN108414226A (zh) * | 2017-12-25 | 2018-08-17 | 哈尔滨理工大学 | 基于特征迁移学习的变工况下滚动轴承故障诊断方法 |
CN108490414A (zh) * | 2018-05-08 | 2018-09-04 | 电子科技大学 | 一种基于时频分布瞬时频率边缘特征的雷达目标识别方法 |
Non-Patent Citations (1)
Title |
---|
齐珍珍: "《基于点源影响函数的图像局部重建算法研究》", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116915511A (zh) * | 2023-09-13 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 信息处理方法、装置、设备及存储介质 |
CN116915511B (zh) * | 2023-09-13 | 2023-12-08 | 中移(苏州)软件技术有限公司 | 信息处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110738248B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110346142B (zh) | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 | |
Nielsen | The regularized iteratively reweighted MAD method for change detection in multi-and hyperspectral data | |
CN105320727B (zh) | 用于检测实时序列中的异常的方法 | |
US9811760B2 (en) | Online per-feature descriptor customization | |
CN111368254B (zh) | 多流形正则化非负矩阵分解的多视角数据缺失补全方法 | |
Mainini et al. | Data to decisions: Real-time structural assessment from sparse measurements affected by uncertainty | |
WO2009076600A2 (en) | System, method and computer-accessible medium for normalizing databases through mixing | |
JP6991412B2 (ja) | 検索装置、検索方法、検索プログラム及び学習モデル検索システム | |
Görtler et al. | Uncertainty-aware principal component analysis | |
Rockwell et al. | The 8-point algorithm as an inductive bias for relative pose prediction by vits | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
Zhu et al. | Bayesian sensitivity analysis of statistical models with missing data | |
Frank et al. | Additive time-dependent hazard model with doubly truncated data | |
CN110738248A (zh) | 状态感知数据特征提取方法及装置、系统性能评估方法 | |
He et al. | Multi-mode tensor space clustering based on low-tensor-rank representation | |
Lee et al. | Inference for eigenvalues and eigenvectors in exponential families of random symmetric matrices | |
CN103903258B (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
CN114492517B (zh) | 电梯检测方法、电梯检测装置、电子设备及存储介质 | |
CN116486146A (zh) | 一种旋转机械设备的故障检测方法、系统、装置和介质 | |
Rebala et al. | Principal Component Analysis | |
Christou | Robust dimension reduction using sliced inverse median regression | |
Heng-Hui | A study of sensitivity analysis on the method of principal Hessian directions | |
Tafarroj et al. | An application of principal component analysis method in wood defects identification | |
Aremu et al. | Machine learning-based embedding for discontinuous time series machine data | |
Ling et al. | Usage Space Sampling for Fringe Customer Identification. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |