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：广东石油化工学院

摘要：本发明公开了一种基于小样本不平衡学习的增强极限学习机故障诊断方法。获取小样本不平衡数据的故障特征集，选取对故障敏感的重要特征，计算各重要特征的互信息值，依据互信息值构造特征权重矩阵，对极限学习机随机权重加权。根据小样本类别的分布信息构造样本权重矩阵，对小样本输出误差加权。最后获取最优输出权重得到增强极限学习机模型，通过增强极限学习机模型输出故障类别。其中，特征加权通过调整模型中输入层和隐含层之间的随机权重，提高模型在小样本不平衡下的诊断性能。样本加权通过对小样本输出误差的加权，平衡模型学习正常状态样本和故障状态样本的程度，并最小化样本的加权输出误差，进一步提高模型在小样本不平衡下的诊断性能。

主权项：1.基于小样本不平衡学习的增强极限学习机故障诊断方法，其特征在于，包括：获取小样本不平衡数据的故障特征集；通过公式从所述小样本不平衡数据的故障特征集中选择出与故障类别c关联性最大的特征ai，将所述特征ai归入特征空间Sm-1；其中，D是包含所述小样本不平衡数据的故障特征集在特征和故障类别向量之间互信息值的向量，|S|是特征空间S的维度，Iai；c是所述特征ai和所述故障类别c的向量之间的互信息值；通过公式从所述小样本不平衡数据的故障特征集中获取m个敏感特征子集；其中，特征aj为剩余特征空间{S-Sm-1}中的特征，Iaj；c是所述特征aj和所述故障类别c的向量之间的互信息值，Iai；aj是所述特征ai和所述特征aj之间的互信息值；基于所述敏感特征子集计算待诊断样本的特征向量X，通过函数得到增强极限学习机的输出；其中，mX为所述待诊断样本的特征映射向量，M是所述增强极限学习机的隐含层节点输出矩阵，C是正系数，I是单位矩阵，Ws是所述敏感特征子集中样本的权重，T为期望输出矩阵，N是所述敏感特征子集中样本的数量，L是所述增强极限学习机的隐含层节点的数量；通过公式LabelX＝argmaxfiX,i＝1,...,d，得到所述待诊断样本的故障诊断标签；所述mX的计算公式为mx＝[gWF⊙W1，X+b1gWF⊙W2，X+b2...gWF⊙WL，X+bL]；其中，WF＝wf1，wf2，...，wfnT为输入特征权重，Wj＝wj1，wj2，...，wjnT为所述增强极限学习机的第j个隐含层节点的输入权重，j＝1，…，L；n为所述增强极限学习机的输入层神经元个数，bj为所述增强极限学习机的第j个隐含层偏置，gx为激活函数Sigmoid，WF⊙Wj表示WF和Wj之间的哈达玛积，WF⊙W2，X表示WF⊙W2和所述待诊断样本的特征向量X之间的内积；具体地，计算各个敏感特征的互信息值，构建互信息值矩阵，实现极限学习机输入层和隐含层之间的随机权重加权。

全文数据：

权利要求：

百度查询： 广东石油化工学院 基于小样本不平衡学习的增强极限学习机故障诊断方法