基于Manhattan距离与随机邻域嵌入的故障特征提取算法

摘要

随机邻域嵌入(stochastic neighbor embedding,SNE)算法在欧氏距离基础上定义了邻域概率函数,是一种基于数据间相似度的降维方法.针对欧氏距离在高维数据空间中不能提供较大的相对距离差、无法明显体现高维数据对象之间差异性的问题,提出一种基于Manhattan距离的随机邻域嵌入(Manhattan-SNE)算法.采用Manhattan距离衡量高维数据对象之间的相异度,得到高维空间和低维空间数据对象之间相似度的条件概率,嵌入目标是使得高维空间和低维空间的分布形式尽可能一致,选择KL散度作为算法的目标函数,通过梯度下降法寻找目标函数的最小值,从而得到算法的低维嵌入.测试与实验分析结果表明:所提算法的平均分类正确率有明显提高,证明了改进算法的有效性与实用性,可以用于故障数据的特征提取.