基于非线性流形学习的磨粒特征提取方法.pdf

《基于非线性流形学习的磨粒特征提取方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2012年1月润滑与密封Jan．2012第37卷第1期LUBRICATIONENGINEERINGVo1．37No．1DOI：10．3969／j．issn．0254～0150．2012．01．009基于非线性流形学习的磨粒特征提取方法王国德。张培林傅建平任国全寇玺(1．军械工程学院一系河北石家庄050003；2．中国人民解放军驻845厂军代室陕西西安710302)摘要：针对磨粒特征参数多、非线性突出的问题，提出一种基于非线性流形学习的磨粒特征提取方法。该方法将磨粒特征重构到高维相空间中，利用局部线性嵌入算法提取出隐

2、藏其中的低维流形，并根据数据流形的弯曲性和邻域参数的关系，实现高维相空间中局部邻域参数的自适应选取。实验结果表明，该方法有效地克服了主成分分析和核主成分分析方法的不足，提取的磨粒特征敏感性更好，从而提高了磨粒识别的精度。关键词：非线性流形学习；局部线性嵌入；磨粒图像；特征提取中图分类号：TK401．2文献标识码：A文章编号：0254—0150(2012)1—036—4WearParticleFeatureExtractionMethodBasedonNonlinearManifoldLearningWangGuod

3、eZhangPeUinFuJianpingRenGuoquanKouXi(1．Department1，OrdnanceEngineeringCollege，ShijiazhuangHebei050003，China；2．PLARepresentativeOfficein845Factory，Xi’anShaanxi710302，China)Abstract：Todealwiththeproblemofalargenumberofweal-particlefeatureparametersandnonlinearre

4、lationshipamongtheseparameters，anewfeatureextractionmethodbasedonnonlinearmanifoldlearningwasproposed．Afterembed-dingthewearparticlesfeatureparametersintoahighdimensionalphasespacetoreconstructadynamicalmanifold，thelo—callylinearembedding(LLE)algorithmwasemplo

5、yedforextractinglowdimensionalmanifold．Accordingtotherelationshipbetweenthecurvatureofthemanifoldandtheneighborhoodparameter，theadaptiveselectionoflocalneighborhoodparam—etersinphasespacewasimplemented．Theexperimentalresultsshowthatthisapproach，comparedwiththe

6、linearprincipalcomponentanalysis(PCA)andnonlinearkernelprincipalcomponentanalysis(KPCA)，ismoreeffectivetoextractthewearparticlefeature，andenhancestheclassificationabilityofwearparticles．Keywords：nonlinearmanifoldlearning；locallylinearembedding；wearparticleimag

7、e；featureextraction铁谱分析是目前广泛应用于动力装置状态监测与分析方法(KPCA)等理论被广泛应用于磨粒特征故障诊断领域的一种有效的不解体诊断方法，铁谱分提取中。主成分分析的核心过程是采用一组线性变换析的核心技术是磨粒识别，磨粒识别的准确性依赖于进行空间映射，是一种线性的维数约简算法，在提取磨粒的特征描述是否有效。非线性的磨粒特征参数时显得力不从心。核主成分分由于磨粒形貌特征非常复杂，对各类磨粒的描述析是利用核技术将主成分分析进行扩展得到的一种非往往需要采用多项参数指标，磨粒特征参数多，而且线性的

8、维数约简算法，但是不同核函数对于维数约简这些特征参数在本质上存在非线性⋯。因此，为了提的效果影响很大，核函数的选择缺乏一个有效的理论高磨粒识别准确率和减少识别工作量，采用先进的特指导，实践中主要依靠经验或领域知识选取。征提取方法去除参数间的相关性和降低磨粒特征参数流形学习理论是近年来被广泛关注的一类重要的维数就显得极为重要。非线性降维方法，旨在揭示嵌人在高维