隨著現(xiàn)代經(jīng)濟(jì)的快速發(fā)展，現(xiàn)代工業(yè)規(guī)模的不斷擴(kuò)大，工業(yè)過(guò)程的復(fù)雜性不斷提高，導(dǎo)致現(xiàn)代系統(tǒng)越來(lái)越復(fù)雜。基于復(fù)雜系統(tǒng)的精確模型很難獲得，而獲得系統(tǒng)正常以及各種故障狀態(tài)下的歷史數(shù)據(jù)相對(duì)比較容易這一現(xiàn)狀，本文對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法主要是機(jī)器學(xué)習(xí)方法中的k近鄰（k nearest neighbor, kNN）分類器方法進(jìn)行了研究。 kNN是常用的機(jī)器學(xué)習(xí)方法之一。作為一種理論完善并且不需要訓(xùn)練的分類方法，kNN具有分類簡(jiǎn)單并且分類正確率較高的優(yōu)勢(shì)。本文在研究分析kNN以及各種改進(jìn)kNN分類方法優(yōu)缺點(diǎn)的基礎(chǔ)上，進(jìn)一步完善kNN分類算法并將其應(yīng)用于故障診斷。主要工作如下： （1）研究分析了kNN算法，并對(duì)kNN及其主要的改進(jìn)方法模糊kNN和證據(jù)kNN算法進(jìn)行了系統(tǒng)的分析比較，總結(jié)這些算法的優(yōu)缺點(diǎn)。 （2）提出了基于模糊-證據(jù)融合的kNN分類算法。針對(duì)kNN、模糊kNN和證據(jù)kNN算法所存在兩個(gè)主要問(wèn)題，即它們均無(wú)法區(qū)別各個(gè)特征的重要程度，以及在對(duì)k個(gè)鄰居的信息進(jìn)行利用時(shí)，沒(méi)有考慮不同鄰居到樣本類中心的距離不同帶來(lái)的影響，提出了模糊-證據(jù)kNN算法，采用加權(quán)歐式距離選取鄰居，其中... 

【文章頁(yè)數(shù)】：48 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
目錄
1 緒論
    1.1 研究背景及意義
    1.2 故障診斷概述
        1.2.1 故障診斷研究?jī)?nèi)容和方法分類
            1.2.1.1 故障診斷研究?jī)?nèi)容
            1.2.1.2 故障診斷方法分類
        1.2.2 定性分析方法
            1.2.2.1 圖論方法
            1.2.2.2 定性仿真
            1.2.2.3 專家系統(tǒng)
        1.2.3 基于解析模型的故障診斷方法
            1.2.3.1 狀態(tài)估計(jì)
            1.2.3.2 參數(shù)估計(jì)
            1.2.3.3 等價(jià)空間
        1.2.4 基于數(shù)據(jù)驅(qū)動(dòng)的方法
            1.2.4.1 信號(hào)處理
            1.2.4.2 信息融合
            1.2.4.3 多元統(tǒng)計(jì)分析
            1.2.4.4 機(jī)器學(xué)習(xí)
    1.3 本文的項(xiàng)目來(lái)源及章節(jié)安排
2 基礎(chǔ)知識(shí)
    2.1 Dempster-Shafer 證據(jù)理論
        2.1.1 基本概念
        2.1.2 證據(jù)折扣因子
        2.1.3 Pignistic 概率
    2.2 kNN 算法的分析
        2.2.1 kNN 算法
        2.2.2 FkNN
        2.2.3 EkNN
    2.3 本章小結(jié)
3 一種模糊-證據(jù)融合 kNN 分類算法
    3.1 引言
    3.2 FEkNN 算法
        3.2.1 距離測(cè)度
            3.2.1.1 加權(quán)歐氏距離
            3.2.1.2 特征的權(quán)重
        3.2.2 k 個(gè)鄰居類別信息的利用
            3.2.2.1 證據(jù)的獲取
            3.2.2.2 證據(jù)的折扣
            3.2.2.3 決策
    3.3 實(shí)驗(yàn)結(jié)果
        3.3.1 算例
        3.3.2 實(shí)驗(yàn)
    3.4 本章小結(jié)
4 基于證據(jù)理論的優(yōu)化集成分類器方法及在故障診斷中的應(yīng)用
    4.1 引言
    4.2 多分類器系統(tǒng)
        4.2.1 多分類器系統(tǒng)構(gòu)成
        4.2.2 FkNN 分類器
    4.3 最優(yōu)權(quán)值學(xué)習(xí)算法
    4.4 實(shí)驗(yàn)
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間取得的科研成果清單


【參考文獻(xiàn)】：
期刊論文
[1]Kernel-kNN:基于信息能度量的核k-最近鄰算法[J]. 劉松華,張軍英,許進(jìn),賈宏恩.  自動(dòng)化學(xué)報(bào). 2010(12)
[2]一種自整定權(quán)值的多分類器融合方法[J]. 米愛(ài)中,郝紅衛(wèi),鄭雪峰,涂序彥.  電子學(xué)報(bào). 2009(11)
[3]基于指定元分析的多故障診斷方法[J]. 周福娜,文成林,湯天浩,陳志國(guó).  自動(dòng)化學(xué)報(bào). 2009(07)
[4]動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)[J]. 周東華,胡艷艷.  自動(dòng)化學(xué)報(bào). 2009(06)
[5]相對(duì)主元分析及其在數(shù)據(jù)壓縮和故障診斷中的應(yīng)用研究[J]. 文成林,胡靜,王天真,陳志國(guó).  自動(dòng)化學(xué)報(bào). 2008(09)
[6]集成特征選擇的廣義粗集方法與多分類器融合[J]. 孫亮,韓崇昭,沈建京,戴寧.  自動(dòng)化學(xué)報(bào). 2008(03)
[7]基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法[J]. 郝紅衛(wèi),蔣蓉蓉.  自動(dòng)化學(xué)報(bào). 2007(12)
[8]基于改進(jìn)k-最近鄰回歸算法的軟測(cè)量建模[J]. 葉濤,朱學(xué)峰,李向陽(yáng),史步海.  自動(dòng)化學(xué)報(bào). 2007(09)
[9]基于模糊規(guī)則的多分類器融合[J]. 劉明,袁保宗,苗振江,唐曉芳.  電子與信息學(xué)報(bào). 2007(07)
[10]基于LMI的不確定系統(tǒng)魯棒故障檢測(cè)[J]. 王紅茹,王常虹,高會(huì)軍.  電機(jī)與控制學(xué)報(bào). 2005(05)

博士論文
[1]采樣數(shù)據(jù)系統(tǒng)的故障診斷方法研究[D]. 邱愛(ài)兵.南京航空航天大學(xué) 2010



本文編號(hào)：3692679