CN116720095A - 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 - Google Patents
一种基于遗传算法优化模糊c均值的电特性信号聚类方法 Download PDFInfo
- Publication number
- CN116720095A CN116720095A CN202310687288.3A CN202310687288A CN116720095A CN 116720095 A CN116720095 A CN 116720095A CN 202310687288 A CN202310687288 A CN 202310687288A CN 116720095 A CN116720095 A CN 116720095A
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- clustering
- fuzzy
- individuals
- electrical characteristic
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 230000002068 genetic effect Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于遗传算法优化模糊C均值的电特性信号聚类方法。包括：读取历史数据(102)，根据LSTM‑SAE进行特征提取和重建，随后根据遗传算法初始化种群(104)，随机产生隶属矩阵U(105)，通过遗传算法的选择、交叉和变异操作，搜索最优的个体，以提高聚类性能(106)，并计算C类别聚类中心(107)，根据计算结果计算价值函数J并更新隶属矩阵U(108)，如果J大于阈值(109)，则输出U和聚类中心(110)，否则重新进行遗传算法搜索(106)。本发明在模糊c均值处理之前加入了LSTM‑SAE和遗传算法，其中，能自动化参数优化，提高了聚类效率和效果。
Description
技术领域
本发明涉及一种基于遗传算法优化模糊C均值的电特性信号聚类方法。
背景技术
飞行器电特性监测系统中的识别与健康状态判读是航天探测器领域的关键问题。飞行器电子负载系统具有复杂和不确定的系统结构，常见信号如滚动、俯仰、偏航等经常发生突变。在这种情况下，模糊C均值的电特性信号聚类方法提供了一种有效的分析工具，通过对信号进行聚类分析，帮助准确识别故障起因，实现对飞行器电子负载系统的健康状态判读。而在模糊c均值聚类之前，通过添加LSTM-SAE网络，用于序列数据的特征提取和重建，增强时序建模和特征学习能力，添加遗传算法可以自动参数优化，减少人工干预。
发明内容
为了解决现有飞行器电特性监测识别并分类的测试数据量大，特征维数高，样本少等问题，本发明提供了一种基于遗传算法优化模糊C均值的电特性信号聚类方法，有效实现了寻找同一种类电信号的中心，既是寻找该类电信号的普遍形式，有助于后续提升飞行器电特性监测识别并分类的准确率。
本发明的有益效果包括：
1.自动优化参数：遗传算法可以自动搜索和优化LSTM-SAE和模糊C均值算法的参数，无需手动调节。通过遗传算法的选择、交叉和变异操作，可以找到更优的参数设置，提高模型性能和聚类效果。
2.考虑序列特征：LSTM-SAE能够捕捉时间序列数据中的长期依赖关系，通过自编码器的训练过程提取有效的序列特征。这些序列特征可以作为输入，结合模糊C均值算法进行聚类，更好地反映数据的内在结构。
3.解决高维数据问题：遗传算法和模糊C均值算法的结合能够应对高维数据聚类问题。遗传算法通过优化参数和隶属度矩阵，减少维度对聚类结果的影响，提高聚类的准确性和稳定性。
4.兼顾全局和局部信息：LSTM-SAE能够学习到数据中的全局和局部特征，结合模糊C均值算法可以综合考虑数据的整体分布和局部聚集性。这样可以避免传统聚类方法容易陷入局部最优的问题，提高聚类结果的全局性和鲁棒性。
附图说明
图1显示了根据本发明的一种基于遗传算法优化模糊C均值的电特性信号聚类方法流程图。
具体实施方式
根据本发明的一个方面，提供了一种基于遗传算法优化模糊C均值的电特性信号聚类方法，其特征在于包括：
1.数据收集：收集飞行器电气系统的电特性信号数据，包括电流、电压、功率等参数的测量值，
2.特征提取：从收集到的信号数据中提取出有代表性的特征，本方法采用LSTM-SAE进行特征提取，优势在于其能够有效建模序列数据的时序关系，同时通过预训练和微调阶段自动学习输入数据的高级抽象特征表示，提供更好的特征表达能力，
3.初始化模糊化：对提取到的特征进行模糊化处理，将其转化为隶属度矩阵，表示每个数据点属于各个聚类簇的隶属程度，
4.初始化聚类中心：随机初始化一组聚类中心，代表每个聚类簇的中心点，
5.应度评估：对每个个体应用模糊C均值算法进行聚类，将模糊化的特征和聚类中心作为输入，计算每个个体的适应度值，适应度值可以根据模糊C均值算法中的目标函数(如最小化隶属度加权误差)来评估，6.选择操作：根据个体的适应度值，采用选择操作选择一部分个体作为父代，用于下一代的交叉和变异操作，
7.交叉操作：对选择出的父代个体进行交叉操作，生成新的子代个体，交叉操作可以是单点交叉、多点交叉等，
8.变异操作：对交叉后的子代个体进行变异操作，引入一定的随机性，增加个体的多样性，
9.更新群体：将生成的子代个体与原始群体合并，形成新的群体，10.终止条件判断：根据预设的终止条件(如达到最大迭代次数或满足一定的收敛条件)，判断是否终止算法，
11.异常检测和诊断：根据终止条件，选择最优的个体作为聚类结果，利用该聚类结果可以进行飞行器电气系统的异常检测和诊断，例如，通过比较新采集到的信号数据与已有的聚类结果，可以判断当前飞行器电气系统的状态是否正常或存在异常情况。
其中几个具体模块介绍：
特征提取
LSTM-SAE特征提取模块用于从航天探测器电特性历史数据中提取高级抽象特征表示。通过LSTM-SAE网络的预训练和微调阶段，自动学习数据中的时序模式和动态变化。通过优化LSTM-SAE网络结构和参数，获得更准确的特征提取能力，帮助识别关键事件和减少不明确的样本，提高特征表示的质量和稳定性，为后续的航天探测器电特性分析和预测任务提供更可靠的输入。
遗传算法
遗传算法模块用于优化模糊C均值算法中的参数和隶属度矩阵。通过遗传算法的选择、交叉和变异操作，搜索最优的个体，以提高聚类性能。相比于传统的聚类方法，遗传算法能够自动调节模糊C均值算法的参数，减少人工工作量。通过优化，可以获得更准确的聚类中心和隶属度矩阵，从而实现对航天探测器电特性历史数据的有效聚类，帮助识别事件和减少不明确的样本，提高聚类结果的质量和稳定性。
聚类模块。
通过模糊C均值的电特性信号聚类方法，通过对航天探测器电特性历史数据进行聚类操作，获取事件聚类中心。相比于一般的聚类方法，使用模糊C均值聚类方法能够获取隶属矩阵，只有隶属状况不明确的样本需要，从而能够大大减少人工工作量
根据本发明的一个实施例的一种基于遗传算法优化模糊C均值的电特性信号聚类方法的流程图如图1所示，其包括：
当飞行器信号要进行聚类分析时(101)，读取历史数据(102)，根据LSTM-SAE进行特征提取和重建，随后根据遗传算法初始化种群(104)，随机产生隶属矩阵U(105)，通过遗传算法的选择、交叉和变异操作，搜索最优的个体，以提高聚类性能(106)，并计算C类别聚类中心(107)，，根据计算结果计算价值函数J并更新隶属矩阵U(108)，如果J大于阈值(109)，则输出U和聚类中心(110)，否则重新进行遗传算法搜索(106)。
遗传算法用于优化模糊C均值算法的参数和隶属度矩阵。遗传算法通过选择、交叉和变异操作来搜索最优的个体，以提高聚类性能。优化过程中，遗传算法自动调节模糊C均值算法的参数，减少了人工工作量。通过优化，可以获得更准确的聚类中心和隶属度矩阵，从而实现对航天探测器电特性历史数据的有效聚类，帮助识别事件和减少不明确的样本，提高聚类结果的质量和稳定性。
遗传算法的实施步骤如下：
初始化种群：随机生成初始个体，表示模糊C均值算法的参数和隶属度矩阵。
适应度评估：计算每个个体的适应度值，衡量其在解空间中的适应程度。
选择操作：根据适应度值，计算每个个体被选中作为父代的概率。
交叉操作：从选定的父代个体中随机选择一对个体，并使用交叉算子对它们进行交叉操作。
变异操作：对新生成的子代个体进行变异操作，引入一定的随机性。
更新种群：用生成的子代替换原有的父代个体，形成新的种群。
重复上述步骤，直到满足终止条件，如达到最大迭代次数或找到满意的解。
通过遗传算法的优化过程，模糊C均值算法的参数和隶属度矩阵得到不断改进，从而提高了聚类性能，实现了对航天探测器电特性历史数据的有效聚类，并能辅助识别事件和减少不明确的样本，从而提升聚类结果的质量和稳定性。模糊C均值聚类是通过对数据预处理后归一化航天探测器电特性历史数据进行数据分析生成专家训练集的过程。这个过程中将时域上相似的波形数据初步分为一类，并产生该类别的聚类中心，之后通过专家纠错的方式获取专家数据。
模糊C均值聚类把n个经过预处理的样本数据分为C个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。模糊C均值分类使得每个给定数据点用值在0到1之间的隶属度来确定其属于各个组的程度。在聚类过程中，模糊C均值聚类的价值函数为：
(1)式为(2)式的变换形式，加入拉格朗日乘子λi，可以计算出使得目标函数最小的必要条件：
所述μij为隶属矩阵U中的元素，ci为模糊组i的聚类中心，dij＝||ci-yj||为第i个聚类中心与第j个数据点间的欧几里德距离，xj为所输入的电特性数据样本点，m是一个加权指数，∑表示求和，s.t.表示约束条件，表示任意。
Claims (2)
1.一种基于遗传算法优化模糊C均值的电特性信号聚类方法，其特征在于包括：
A1)读取历史数据(102)，
A2)根据LSTM-SAE进行特征提取和重建，
A3)随后根据遗传算法初始化种群(104)，
A4)随机产生隶属矩阵U(105)，
A5)通过遗传算法的选择、交叉和变异操作，搜索最优的个体，以提高聚类性能(106)，
A6)计算C类别聚类中心(107)，
A7)根据步骤A6的计算结果，计算价值函数J并更新隶属矩阵U(108)，
A8)进行判断，其中：如果J大于阈值(109)则输出U和聚类中心(110)，否则返回步骤A5，
其中：
步骤A5包括：
A51)初始化种群：随机生成初始个体，表示模糊C均值算法的参数和隶属度矩阵，
A52)进行适应度评估，包括计算每个个体的适应度值，衡量其在解空间中的适应程度，
A53)进行选择操作，包括根据适应度值，计算每个个体被选中作为父代的概率。
A54)进行交叉操作，包括从选定的父代个体中随机选择一对个体，并使用交叉算子对它们进行交叉操作。
A55)进行变异操作，包括对新生成的子代个体进行变异操作，引入一定的随机性。
A56)更新种群，用生成的子代替换原有的父代个体，形成新的种群。
A57)重复上述步骤A52-A56，直到满足终止条件。
2.根据权利要求1所述的基于遗传算法优化模糊C均值的电特性信号聚类方法，其特征在于：
终止条件包括达到最大迭代次数或找到满意的解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687288.3A CN116720095A (zh) | 2023-06-09 | 2023-06-09 | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310687288.3A CN116720095A (zh) | 2023-06-09 | 2023-06-09 | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116720095A true CN116720095A (zh) | 2023-09-08 |
Family
ID=87867390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310687288.3A Pending CN116720095A (zh) | 2023-06-09 | 2023-06-09 | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720095A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN118690218A (zh) * | 2024-08-29 | 2024-09-24 | 新立讯科技集团股份有限公司 | 一种应用于融合信息的农产品信息聚类方法及系统 |
-
2023
- 2023-06-09 CN CN202310687288.3A patent/CN116720095A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN117408394B (zh) * | 2023-12-14 | 2024-05-31 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN118690218A (zh) * | 2024-08-29 | 2024-09-24 | 新立讯科技集团股份有限公司 | 一种应用于融合信息的农产品信息聚类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
| CN114090396B (zh) | 一种云环境多指标无监督异常检测和根因分析方法 | |
| CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
| CN112084237A (zh) | 一种基于机器学习和大数据分析的电力系统异常预测方法 | |
| CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN114062812B (zh) | 一种计量柜故障诊断方法及系统 | |
| CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
| CN111507504A (zh) | 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| CN117474529A (zh) | 一种电网智慧运维系统 | |
| CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
| CN117312885A (zh) | 工作面瓦斯涌出的动态阈值划分及多因素预警算法模型 | |
| CN117290716A (zh) | 一种基于KPCA-TCN-Attention的光伏阵列故障诊断方法 | |
| CN116861232A (zh) | 基于dbn-ocsvm的空气质量数据异常检测模型 | |
| Cui et al. | Using EBGAN for anomaly intrusion detection | |
| CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
| CN115099332A (zh) | 一种基于混合森林的雷达数据实时处理方法及系统 | |
| CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 |
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 |