基于证据理论的模糊kNN分类方法及其在故障诊断中的应用研究

发布时间：2022-10-18 16:41

　　随着现代经济的快速发展，现代工业规模的不断扩大，工业过程的复杂性不断提高，导致现代系统越来越复杂。基于复杂系统的精确模型很难获得，而获得系统正常以及各种故障状态下的历史数据相对比较容易这一现状，本文对基于数据驱动的故障诊断方法主要是机器学习方法中的k近邻（k nearest neighbor, kNN）分类器方法进行了研究。 kNN是常用的机器学习方法之一。作为一种理论完善并且不需要训练的分类方法，kNN具有分类简单并且分类正确率较高的优势。本文在研究分析kNN以及各种改进kNN分类方法优缺点的基础上，进一步完善kNN分类算法并将其应用于故障诊断。主要工作如下： （1）研究分析了kNN算法，并对kNN及其主要的改进方法模糊kNN和证据kNN算法进行了系统的分析比较，总结这些算法的优缺点。 （2）提出了基于模糊-证据融合的kNN分类算法。针对kNN、模糊kNN和证据kNN算法所存在两个主要问题，即它们均无法区别各个特征的重要程度，以及在对k个邻居的信息进行利用时，没有考虑不同邻居到样本类中心的距离不同带来的影响，提出了模糊-证据kNN算法，采用加权欧式距离选取邻居，其中... 

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
目录
1 绪论
    1.1 研究背景及意义
    1.2 故障诊断概述
        1.2.1 故障诊断研究内容和方法分类
            1.2.1.1 故障诊断研究内容
            1.2.1.2 故障诊断方法分类
        1.2.2 定性分析方法
            1.2.2.1 图论方法
            1.2.2.2 定性仿真
            1.2.2.3 专家系统
        1.2.3 基于解析模型的故障诊断方法
            1.2.3.1 状态估计
            1.2.3.2 参数估计
            1.2.3.3 等价空间
        1.2.4 基于数据驱动的方法
            1.2.4.1 信号处理
            1.2.4.2 信息融合
            1.2.4.3 多元统计分析
            1.2.4.4 机器学习
    1.3 本文的项目来源及章节安排
2 基础知识
    2.1 Dempster-Shafer 证据理论
        2.1.1 基本概念
        2.1.2 证据折扣因子
        2.1.3 Pignistic 概率
    2.2 kNN 算法的分析
        2.2.1 kNN 算法
        2.2.2 FkNN
        2.2.3 EkNN
    2.3 本章小结
3 一种模糊-证据融合 kNN 分类算法
    3.1 引言
    3.2 FEkNN 算法
        3.2.1 距离测度
            3.2.1.1 加权欧氏距离
            3.2.1.2 特征的权重
        3.2.2 k 个邻居类别信息的利用
            3.2.2.1 证据的获取
            3.2.2.2 证据的折扣
            3.2.2.3 决策
    3.3 实验结果
        3.3.1 算例
        3.3.2 实验
    3.4 本章小结
4 基于证据理论的优化集成分类器方法及在故障诊断中的应用
    4.1 引言
    4.2 多分类器系统
        4.2.1 多分类器系统构成
        4.2.2 FkNN 分类器
    4.3 最优权值学习算法
    4.4 实验
    4.5 本章小结
5 总结与展望
    5.1 论文总结
    5.2 研究展望
参考文献
致谢
攻读学位期间取得的科研成果清单


【参考文献】：
期刊论文
[1]Kernel-kNN:基于信息能度量的核k-最近邻算法[J]. 刘松华,张军英,许进,贾宏恩.  自动化学报. 2010(12)
[2]一种自整定权值的多分类器融合方法[J]. 米爱中,郝红卫,郑雪峰,涂序彦.  电子学报. 2009(11)
[3]基于指定元分析的多故障诊断方法[J]. 周福娜,文成林,汤天浩,陈志国.  自动化学报. 2009(07)
[4]动态系统的故障诊断技术[J]. 周东华,胡艳艳.  自动化学报. 2009(06)
[5]相对主元分析及其在数据压缩和故障诊断中的应用研究[J]. 文成林,胡静,王天真,陈志国.  自动化学报. 2008(09)
[6]集成特征选择的广义粗集方法与多分类器融合[J]. 孙亮,韩崇昭,沈建京,戴宁.  自动化学报. 2008(03)
[7]基于最近邻规则的神经网络训练样本选择方法[J]. 郝红卫,蒋蓉蓉.  自动化学报. 2007(12)
[8]基于改进k-最近邻回归算法的软测量建模[J]. 叶涛,朱学峰,李向阳,史步海.  自动化学报. 2007(09)
[9]基于模糊规则的多分类器融合[J]. 刘明,袁保宗,苗振江,唐晓芳.  电子与信息学报. 2007(07)
[10]基于LMI的不确定系统鲁棒故障检测[J]. 王红茹,王常虹,高会军.  电机与控制学报. 2005(05)

博士论文
[1]采样数据系统的故障诊断方法研究[D]. 邱爱兵.南京航空航天大学 2010



本文编号：3692679