买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖州师范学院

摘要：本发明公开了一种基于LDA‑KMEDOIDS的改进KNN故障分类方法，首先使用结合ReliefF算法和线性判别分析LDA算法的混合特征生成方法对样本特征进行筛选并对样本类间可分性进行改善，以提高故障分类准确率。然后采用K‑Medoids算法对训练样本聚类，以减少KNN分类过程计算量。最后，通过田纳西‑伊斯曼TE化工过程，验证了所提算法在故障分类时间上远小于基本KNN算法，同时保留了较高的分类准确率。

主权项：1.一种基于LDA-KMEDOIDS的改进KNN故障分类方法，其特征在于，该方法具体包括以下步骤：将故障样本分为训练样本与测试样本，其中X为训练样本集，并对训练样本与测试样本都进行归一化，则具体算法可总结如下：离线建模阶段：1从X中随机选择样本x，并确定ReliefF算法的近邻数k；2设置X中各个特征初始权重为0；3根据公式1更新特征权重wA； 其中，wA表示特征A的权重，NHi表示同类的第i个近邻样本，NMCi表示不同类的第i个近邻样本，PC表示类别C的概率，Classx表示样本x的类别，diffA,x,x′表示样本x和x′在特征A上差异的定量表征；4确定特征权重阈值v，若满足wA＞v，则保留特征A，否则丢弃，记筛选后样本集为Xrel；5确定Xrel降维后维数d，并根据LDA方法构建投影矩阵W，将经过W投影后的样本集记为Xlda；对样本集Xrel进行LDA特征提取的关键在于构建类内散布矩阵Sw和类间散布矩阵Sb，具体计算过程如下： 其中，c表示样本集Xrel的故障类别数，Xt表示第t类故障样本集，ut表示Xt的质心，mt表示Xt包含的故障样本数量，u是Xrel的质心；最终，问题转化为求JW的最大值 其中，|·|表示行列式；矩阵W由下列特征方程的解组成 并且W＝[w1,w2,…,wd]6其中，w1,w2,…,wd为的最大的前d个特征值的对应特征向量，d为降维后的维数；通过W可对Xrel进行特征提取，Xrel的投影结果为Xlda＝XrelW，其中，Xlda∈Rm×d,d≤f，m为样本数，d为特征提取后保留特征数，f为保留的特征个数；6将Xlda按样本类别标签切分为若干个子样本集，子样本集内的样本属于同一类；7使用K-Medoids算法对Xlda的每个子样本集进行聚类，并用各子样本集的聚类中心代替各子样本集，将Xlda聚类结果记为Xkme；在线过程：1以离线过程所得特征权重为依据对Xtest进行特征选择，结果记为Xtest′；2通过离线过程构建的投影矩阵W对Xtest′进行特征提取，结果记为Xtest″；3确定KNN算法近邻数K；4计算Xtest″中测试样本与Xkme中每个训练样本的欧式距离并排序，确定计K个近邻分类，利用投票规则得出分类结果。

全文数据：

权利要求：

百度查询： 湖州师范学院 一种基于LDA-KMEDOIDS的改进KNN故障分类方法