基于加权判别随机邻域嵌入的故障特征提取算法

摘要

针对大数据维数高、非线性强、噪声敏感、故障特征信息冗余、部分历史数据类别标记信息可获取等特点,对适用于非线性数据的t-SNE无监督流形学习方法进行改进,提出一种基于加权判别随机邻域嵌入的故障特征提取算法.在原始高维空间和相应的低维子空间定义包含类别信息的数据相似度,使用Manhattan距离作为度量方式以增大数据相对距离差,基于距离远近关系进行相似度加权,由此充分利用类别标记约束指导降维,使得类间更分散而类内更紧凑.结合KNN方法的UCI仿真数据集分类实验与KDD99网络故障诊断实验,表明该改进故障特征提取算法能够实现更有效的故障诊断.