液压伺服系统故障诊断用压缩ReliefF为基础的随机子空间

文摘

发挥重要作用在机电系统中,液压伺服系统是至关重要的机械系统,如工程机械、冶金机械、船舶和其他设备。基于监控和感官信号故障诊断中发挥着重要作用避免灾难性事故和巨大的经济损失。本研究提出了一种液压伺服系统故障诊断方案使用基于压缩随机子空间ReliefF (CRSR)方法。从特征选择的角度来看,该方案利用CRSR方法来确定最稳定的特性组合,同时包含最充分的信息。基于特征选择ReliefF结构,CRSR采用功能集成在压缩域的规则。同时,加入CRSR替代品信息熵和模糊传统测距指数。拟议中的CRSR方法能够提高鲁棒性的特征信息对干扰而选择特征结合平衡信息表达能力。证明的有效性提出CRSR方法,液压伺服系统由HyPneu联合仿真模型和仿真软件,和三个故障模式注入生成验证数据。

1。介绍

液压伺服系统中扮演着关键角色在机电系统中,如工程机械、冶金机械、船舶和其他设备。液压伺服系统故障引起的严重和复杂的条件可能导致灾难性事故和巨大的经济损失。基于监控和感官信号故障诊断分类复杂系统的当前状态,而在绩效评估中扮演着重要角色1]。特性集从信号中提取是一个重要的指数,以反映故障机理和性能演变规律。特性集的质量起着关键的作用在提高故障识别的泛化能力2]。常用的时频特征提取方法指数提取、小波分析、希尔伯特变换,达芬振荡器,等等。尽管各自的适用条件和局限性,这些方法是我能够从多方面的健康特征系统(3,4]。机器学习一样,从图像中提取特征,演讲,和其他信号往往有一定的相关性,隐藏的相互影响。信息表达的一个特性通常是不充分的,可以大大提高聚合与他人(单一特征时5]。同样,由于非线性、不稳定性和不一致的复杂机电系统,个人信息功能的表达往往是片面的。因此,一个新的挑战是如何利用这些特性更有效和高效的,换句话说,如何获得充分表达了信息的特性集通过消除冗余和负相关特征(6- - - - - -9]。

应对上述挑战,现有的特征提取技术的前提下,功能包括特征选择和降维处理技术已逐渐成为一个重要的研究焦点。特征选择和降维都可以获得一组特性集的规模减少的主要变量。这些技术通常使用多种特征提取方法的功能集成到一个全面的表征信号的(10]。为了提高表达能力的核心信息多级特性集,使用空间转换或重要性度量方法(11]。这种方法能够减少存在的冗余特性和提高学习效率,同时保留性能优势。数据转换可能是线性的,如主成分分析(PCA)。但许多非线性降维技术也存在。共同特征处理技术包括线性降维方法(FDA、垂直距离等),基于核函数的降维方法(KPCA、KFDA等),基于流形降维方法(Isomap,米歇尔,MDS等等),过滤方法基于特征选择方法(救济、专注、信息增益、cbf等等),基于包装器方法的特征选择方法(微分算法,遗传算法、分布估计,等等),和嵌入式方法基于特征选择方法(SVN-RFE、射频等。)12- - - - - -14]。

非线性信号的复杂机电系统,虽然降维方法可以减少输入功能故障诊断的规模,他们改变的基本属性的特性集。这种情况很难给出一个清晰的理解获得的特征子集。与此同时,现有特征选择方法的重要性程度排序功能根据独立特性评价结果。他们忽视特性之间的相互作用,这将导致信息丢失处理机电系统的数据(15]。针对特征选择和降维技术的缺点,如低膨胀性,确定评价指标,和强劲的趋势,本研究提出了基于随机空间压缩ReliefF (CRSR)方法。基于ReliefF方法,CRSR介绍整体战略基于压缩随机空间功能水平。此外,CRSR优化目标函数使用信息熵和模糊理论。主要贡献如下:(我)本研究分析的可行性ReliefF基于特征选择架构复杂机电系统的故障诊断。与此同时,测量的基本机制的贡献还演示了基于ReliefF的特性。(2)将ReliefF的评估过程,将整个功能设置为对象,在建设和整体特征子空间的过程,CRSR可以提高ReliefF的全局优化能力。(3)考虑ReliefF基于特征选择的距离最大化问题,CRSR取代了传统的空间距离与模糊隶属度,能够获得一个健壮的和稳定的目标函数。

本文结构如下:在部分2介绍,ReliefF方法基于特征选择结构。然后基于压缩特性集成方法随机子空间。目标函数优化方法还介绍了基于信息熵和模糊理论。部分3介绍了液压伺服系统,总体诊断过程的细节建设和故障注入的液压伺服系统,并分析和比较特征选择结果使用该CRSR讨论了数值方法。部分4总结了纸。

2。相关的理论

2.1。ReliefF方法基于特征选择结构

ReliefF救济方法的扩展,估计概率更可靠,能够处理不完整和多级数据集而复杂性保持不变(16- - - - - -19]。通过计算样本之间的距离分布,ReliefF可以获得相关的权重系数的特性类似于解脱。

特定功能的特性集,如果同一个类远小于其差异,在不同的类中,认为这个特性有助于阶级歧视(20.]。给定一个样本集 与实例,每一个样本, ,已经米维特性。与此同时,样本只属于两类标记为 。每两个样品之间的差异(和)功能被定义为 属性的特性是离散值。如果属性的功能是连续的值,

特征提取主要机电系统状态监测数据是连续数据。与此同时和代表整个的最大值和最小值样本,分别。最接近的样品的相同的类实例被称为“near-hit (NH)”,最不同的类的实例样本吗被称为“靠近弹(NM)。”与此同时,重量的特性表示为 ,和更新的 的初始值在哪里是0,是最后的价值 。

减少随机性特性评价,整个过程需要重复次获取平均值作为最终的重量。尽管救援方法是非常有效的估计的质量属性,它不能处理不完整数据,仅限于两种问题。因此ReliefF方法是利用本文处理连续数据的多类分类和回归问题。

多类分类问题,假设样本属于多个类和标记是 ,ReliefF更新在示例通过(NHS)和附近近距离脱靶(NMS)考虑在内,这是不同于救援。同样,重量的特性 ,这是 ,可以通过更新 在哪里在课堂上代表整个样本的比例所有的异类样本 。此外,ReliefF方法相等NHs的分化和计算之间的平均差异和其他类特性附近评估样本的分类能力。

2.2。基于压缩特性集成方法随机子空间

CRSR方法的目的是找到的差异和相关性之间的平衡特性。具体地说,在充分挖掘的前提下使用ReliefF方法特性的相关性,CRSR方法应用于使每个特性子集保持一定程度的差异。基于随机子空间和特征排序策略,可以获得更高的贡献的特性集多种功能组合(21,22]。和被表示为两个随机子空间,所以不同,指示为 可以计算的 在象征表示随机子空间的维数。

右边的5)获得的noncoincident特性和 。 + 1,有一个unrepeated特性 。两个随机子空间之间的平均差异被定义为所有的特性 在哪里维特征排序后压缩。它可以简化为 。具体地说,根据排序策略,RS12,第一个的概率选择是密切相关的特性 ,和相对差相关特征选择 。基于压缩特性的平均差异评价随机子空间方法,这是 ,可以表示如下:

方程(7)表明,排名结果可以平衡ReliefF的差异来确定主导功能分类的关键,这将提高特征选择效率。

基于压缩随机子空间方法,本研究提出了冗余分析方法从统计数据来减少冗余的功能。功能检查成对使用冗余分析方法(23,24]。首先,两组特征向量,和 ,选择随机ReliefF获得的特性集。然后,选择的特征向量分别被视为自变量和因变量。协方差矩阵,表示和 ,可以计算,分别吗 在哪里表示向量的数学期望 。的相关系数和 ,表示为 ,可以制定 在哪里 表示的协方差和 。如果相关系数大于预设定阈值,只有一个更大的重量和将被添加到最后选择的特性集,发现基于矩阵变换的冗余分析侧重于特征之间的关系,而不是数据的相似性。因此,CRSR可以减少数值特征选择中存在的混乱的影响。此外,与传统方法相比基于数据相似,CRSR能够获得更高的信心水平。

2.3。基于信息熵和模糊目标函数优化方法理论

最大化方面的距离,救济方法可以被看作是一个距离优化算法使用特征加权方法(25]。在这种情况下,优化目标函数,表示 ,可以被描述为(26] 在哪里表示的距离样本。基于(4),可以转换为

对于复杂机电系统信号,两个问题时使用(10CRSR)作为优化目标函数。一个问题是,目标函数集中的体重在一个或一些特性,导致的结果,评估价值剩余的功能趋向于0。与此同时,(10)把样品随机波动和噪声与正常样本类似。另一个问题是缺乏考虑的影响样本特征选择过程的质量。

针对第一个问题,提出了基于信息熵理论压缩随机子空间法,并结合一起的最大化熵最大化的距离减少趋势现有ReliefF方法的问题。之后添加一个样本估计的因素 ,优化目标函数来标示

假设和遵循概率分布,香农熵是用来调整样本分布,如下所示:

针对第二个问题,选择模糊隶属度来取代传统的最近邻距离。模糊隶属度的优势是对样品波动和噪声和权重自适应更新而改变特性的能力(27]。在同一个类的样本空间,模糊隶属度的特性 ,表示为 ,可以计算的28,29日] 在哪里是同一个类的样本集,模糊特性之间的区别吗和特性 ,如下所示:

然后同样的模糊距离,表示 ,计算

同样,模糊的区别和异类样本集的模糊隶属度 ,这是表示,和另外,可以计算如下:

因此,异构模糊距离,表示 ,计算

基于获得的模糊距离(16)和(18)、更新(11)可以制定如下:

根据上面的公式中,目标函数的 ,可以表示为 在右边的第一项是ReliefF的最大距离,旨在确定最有助于分类的特性集。同时,从熵的角度最大化,第二和第三项表示样本评价算子和香农熵特性重量,分别用于避免倾向问题的目标函数。和是调整的平衡系数之间的差异特性。当目标函数的最大值点,样品的约束条件评价算子定义如下(30.]: 在哪里表示的偏导数 。

特征选择的过程中对机械系统,信息熵和基于模糊理论的优化目标函数确保使用ReliefF每个子空间的评估过程是自适应和鲁棒性。这样的优势提供了一种新的思想特征处理复杂的监测信号,换句话说,的前提下维护ReliefF方法的计算效率高,减少偏见和冗余方法造成的缺陷和外部干扰(31日]。

3所示。基于CRSR液压伺服系统故障诊断方法

CRSR为基础的故障诊断方法连续液压伺服系统包括以下步骤:首先,平均值,标准差,偏态,和小波奇异熵特征被提取,形成一个ReliefF模型的特征矩阵作为输入。第二,最初的贡献计算随机采样测量的特性句距离和类间距离,和高贡献的特征和特性的低贡献确定故障分类。的th迭代操作是基于前一个迭代的结果,和迭代停止只要到达预设阈值。第三,基于排序第二步的结果,压缩评价实现的功能在当前迭代中使用监督抽样法。最后,保持运行的迭代,直到满足某些条件获得不同的值作为特征选择的标准。特征选择方法的详细过程使用CRSR液压伺服泵图所示1。

相比与传统的特征处理方法(32- - - - - -35),CRSR方法设计用于满足故障诊断的鲁棒性和准确性要求较小的特性集,降低资源消耗。本研究证明了该方法的优势通过提取各种类别的特征从液压伺服系统的仿真数据和优化特性集提取CRSR方法来验证特征选择技术的可行性。

3.1。液压伺服系统的仿真环境的描述

在本例中使用的数据是在HyPneu和仿真软件联合仿真环境中生成的。液压伺服系统的联合仿真过程可以分为机械部分和控制部分考虑液压元件的特点(36- - - - - -38]。机械液压的物理部分,包括液压泵、伺服阀、建模和致动器,在HyPneu使用组件库。失败是意识到通过添加模块故障注入的相关组件。动态控制部分,包括反馈传感器和电子放大器,使用仿真软件中的相关模型建立。同时,液压伺服系统的控制和模拟故障注入可以实现传输信号的数据通过相关接口文件。因此,液压伺服系统的模型架构,使用HyPneu和Simulink构造图所示2和3,分别。

如图3仿真软件模型包括输入信号,比较元素,控制元素,放大元素,HyPneu模块。电子放大的增益参数元素是80,和PID控制参数的设置为1500年比例参数,参数的积分0,微分参数5。模拟液压系统的实际操作环境,随机噪音的范围−0.01到0.01添加HyPneu模块的输出。

基于HyPneu联合仿真的过程和模型如下。首先,执行机构接收反馈信号转换后由伺服阀和驱动负载的回报。然后,负载的实时位移信息收集的传感器和转移到控制电路。最后,比较输入信号和放大位移信号,输入到伺服阀构建闭环负反馈控制逻辑。联合仿真模型有很好的能力匹配液压系统和有效地实现液压系统的故障注入。

3.2。液压伺服系统故障注入和多维特征提取

本研究模拟液压系统的四种状态包括正常状态,电子放大器故障,传感器常数偏差故障,液压泵穿错。详细的故障注入方案如表所示1。

所有故障模式的输入正弦信号幅值是1和频率 。作为输入信号的表达式 采样频率为100赫兹和采样时间是70年代。液压伺服系统的输入-输出关系的情况下正常状态和三种故障状态的收集,和每一个对应态的信号包含7000分。原来的输出信号如图4。

如上所述,该CRSR方法的输入是一个特征矩阵,和矩阵的每一列代表一个从原始信号中提取特征向量。多维特征作为特征选择的先决条件,应提取的所有信号。应该注意,液压伺服系统的周期信号采集的特征选择应该是一个整数输入波形周期的倍数。输入信号的周期是0.5秒,一个投入产出周期包含50分,这意味着对象的特征提取应该是一个几何50多个。此外,考虑到这一事实泵磨损故障是一个逐渐恶化的过程和故障程度的早期阶段可能很弱,这项研究需要的最后4000分原始信号提取特征矩阵。此外,一个采样窗口的长度是500点区间(5)获得700特征向量。

此外,这项研究增加了15分贝高斯白噪声的原始信号验证CRSR方法的性能。提取的特征的细节如表所示2。

从表可以看出2,不同的故障特征的定量范围波动,这可能导致的偏见问题特征选择ReliefF的过程。因此,本研究可实现特性0到1的范围。不同状态的可视化特征向量图所示5。

作为显示在图5、数据混乱存在于不同故障模式的特性,这使得它很难通过人工观测特征子集选择满意。因此,CRSR方法设计选择特性结合高贡献自适应故障诊断。

3.3。分析和比较在特征选择的结果

是一个CRSR的输入特征选择模型 正则化矩阵获得的9组获得的特征向量。CRSR的优点之一是能够计算相同的类或不同类别的距离自适应迭代。基于ReliefF特征选择方法,体重可以获得相应分布向量的特性。

ReliefF在迭代过程中,特征选择约束使用压缩随机子空间方法,建立优化CRSR的性能和效率。参数如下:迭代次数:30;特征子空间的基础:6。和特征选择的阈值条件的区别特征被选为“一个高贡献”和“一个较低的贡献”大于10。与- - - - - -代表图的特征参数5,统计结果的特性被选为“一个高贡献”和“与lo贡献”表所示3。

从表可以看出3的特性组合选择CRSR方法包含平均水平(),标准偏差(),平均根()、波峰因素()和FFT的最大振幅()。虽然小波奇异熵()被选为“贡献”高14倍的迭代中,它被选为“贡献”较低的6倍。这样的结果表明,小波奇异熵能够有助于分类有时,但整体性能不稳定。甚至在某些特征子空间矩阵,它产生负面影响的分类。功能的最终统计结果权重评估CRSR图所示6。

作为显示在图6,如果重量依据ReliefF设置为0.75,功能组合选择CRSR方法将附加功能(小波总能量)(小波奇异熵)。然而,根据统计结果CRSR模型,这两个特性的贡献在集成过程中是不稳定的。特别是,至于小波的总能量,其平均权重系数高的原因是,权重系数达到0.92和0.88在迭代的8日和22日,分别在剩下的子空间的贡献低于平均水平。这种情况表明,总能量的小波不能在特征选择满足稳定性的要求。结果表明,比传统ReliefF CRSR方法更合理,在概括反映了整体学习的优势。

基于特征选择的结果使用CRSR,冗余的特征序列进行分析。相关系数的阈值设置为0.8,和相关矩阵的特征如表所示4。

从表可以看出4的相关系数峰值因子()和FFT变换的最大振幅()大于预定阈值,这表明,提供故障诊断中存在冗余信息。因此,只有FFT变换的最大振幅()被保留。总之,选择的特性CRSR平均(),标准偏差(),平均根()和FFT的最大振幅()。

引入CRSR方法的目的是提高故障诊断的性能。换句话说,对于一个分类器,使用选定的特性集诊断性能不应小于使用原来的特性集。在这项研究中使用的比较模型包含古典ReliefF算法影响的平均值(MIV)算法,局部线性嵌入(米歇尔)算法和核主成分分析(KPCA)。在这项研究中,所选择的特性集,使用不同的特征选择方法作为分类器的输入基于径向基函数(RBF)神经网络。测试样本训练样本的比例是50%。液压伺服系统的故障诊断精度获得通过使用10倍交叉验证方法如表所示5。

在表5第一行(CRSR)代表最终的特性集选择;第二行(前)代表的特性集选择CRSR冗余分析;第三行()代表选择的特性集古典ReliefF方法;第四行(由MIV)代表选择的特性集;第五行()和第六行()是通过降维的高维特征序列利用KPCA和米歇尔,分别,降维的目标是将数字由CRSR一样的特性。最后一行()是原始特征的集合。上面提到的功能组合作为输入,均值和方差计算的液压伺服系统故障诊断的准确性在图所示7,分别。

根据RBF网络故障诊断结果表5和图7,可以获得以下。

与直接使用原始的特性集相比,特征选择方法能够提高故障诊断的精度基于RBF分类器的平均10倍交叉验证来94.405%,94.217%,93.022%,93.045%,93.077%,94.069%,和92.983%,分别。结果表明,特征选择过程中发挥了积极作用在使用高维数据的分类任务。

与原ReliefF方法相比,引入压缩随机子空间法消除了这些特性不稳定的贡献在子空间的过程集成和提高了特征选择的性能和效率。最终,提高故障诊断精度可以达到用更少的输入特性。

的方差计算(冗余分析)(没有冗余分析)是0.29和0.37,分别。可以看出,尽管他们的平均诊断准确性,冗余分析可以优化之间的信息重复,减少计算资源消耗的特性。

与MIV-based特征选择方法相比,CRSR诊断中有很大的优势性能,这表明它具有较高的特征选择的信心。相比KPCA和米歇尔,虽然后两个(特别是米歇尔减少算法)实现诊断精度高,KPCA的10倍交叉验证结果的方差和米歇尔高于CRSR(0.29和0.31,分别地。),这表明存在一定程度的波动在降维算法获得的结果。此外,由于缺乏明确的可解释性和模糊性的存在最优目标参数设置,很难确定最佳还原法中降维算法。因此自适应基于距离度量的CRSR方法具有更好的适用性。

进一步说明CRSR方法的合理性,测试诊断结果rank-based非参数克鲁斯卡尔-沃利斯测试,基于故障诊断准确性为基本指标表5。克鲁斯卡尔-沃利斯测试被用来确定不同的特征集对诊断性能有重大影响。意义阈值设置为0.05,克鲁斯卡尔-沃利斯函数返回的测试结果如图所示8。的克鲁斯卡尔-沃利斯函数返回的值是0.00002,远低于0.05。它表明,不同组合的特性使显著影响液压伺服系统的故障诊断性能。

此外,CRSR的另一个改进是,目标优化函数是构造基于信息熵和模糊理论。与使用的距离测量方法相比古典ReliefF模型,特征选择过程改进的健壮性在一个复杂的环境。为了说明上述改善CRSR,本研究分析了原始输出信号和输出信号与15分贝的噪音。与此同时,PCA用于项目两套所选特征序列组合成三维空间。此外,K——方法用于集群不同故障模式的特性集。结果如图所示9。

从图可以看出9CRSR选出的特征品质和ReliefF更高之前添加噪声,和相应的特性集,每个失效模式可以明显区分K——方法。添加15分贝的噪音之后,由于外部干扰的影响,数据点的放大器增益故障和传感器常数偏差故障明显混淆ReliefF的聚类结果,这表明功能分化下降。然而,在CRSR方法的结果,四个故障模式空间分布界限仍可识别,证明了提出的目标函数优化方法具有良好的鲁棒性与噪音。因此,CRSR方法是一种很有前途的技术特征选择和随后的液压伺服系统的故障诊断。

4所示。结论

本研究提出了一种液压伺服系统故障诊断方案使用基于压缩随机子空间ReliefF (CRSR)方法。ReliefF特征选择结构的基础上,提出CRSR方法采用功能集成规则在压缩域和替代品信息熵和模糊加入传统距离测量指标。该方法的优点在于确定特性集的能力更好的泛化性能和更少的资源消耗。数据驱动方法,CRSR可以实用和灵活的工程。

为了演示CRSR提出方法的有效性,验证数据生成三种故障模式通过液压伺服系统联合仿真模型。减少与现有功能和特征选择方法,结果表明,特征选择的过程中发挥了积极作用使用高维数据分类的任务,和CRSR为基础的故障诊断方法具有较高的精度和较小的平均方差。与此同时,压缩随机子空间方法可以消除这些特性不稳定的贡献在子空间整合的过程中,提高性能和特征选择的效率。此外,由于鲁棒性和稳定性的信息熵和基于模糊理论的目标函数优化,结果表明,CRSR方法更适合在噪声条件下的故障诊断问题。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(批准号。51605014,51605014,51575021),国防技术基础项目(批准号Z132013B002],中央大学的基础研究基金(批准号YWF-16-BJ-J-18]。

引用

1. c, h .元,l . t h·刘,“液压伺服系统的性能评估基于bi-step神经网络和自回归模型,”Vibroengineering杂志,15卷,不。3、1546 - 1559年,2013页。视图:谷歌学术搜索
2. 他x,“使用FARX液压系统模型的故障诊断方法,”学报2011年国际会议上先进控制工程与信息科学,2011年cei,页949 - 953,中国,2011年8月。视图:出版商的网站|谷歌学术搜索
3. 王x h . Liu, c . Lu”滚动轴承故障诊断变量条件下使用简要地变换和奇异值分解,“数学问题在工程文章ID 765621卷,2014年,10页,2014。视图:出版商的网站|谷歌学术搜索
4. z z . Wang c . Lu Wang和j·马,“旋转机械健康评估基于集成特征选择和高斯混合模型,”Vibroengineering杂志,16卷,不。4、1753 - 1762年,2014页。视图:谷歌学术搜索
5. S.-Q。任,Y.-W。傅,李x和z。壮族,“基于类边缘特征选择,”软件学报,19卷,不。4、842 - 850年,2008页。视图:出版商的网站|谷歌学术搜索
6. m·范和周宏儒。康,“两级特征选择轴承故障诊断基于dual-tree复杂的小波变换和经验模态分解,“美国机械工程师学会学报》上,C部分:机械工程科学》杂志上,卷230,不。2、291 - 302年,2016页。视图:出版商的网站|谷歌学术搜索
7. t·w·raub f·德阿西斯Boldt, f·m·瓦莱乔“异构特性模型和特征选择应用于轴承故障诊断,”IEEE工业电子产品,卷62,不。1,第646 - 637页,2015。视图:出版商的网站|谷歌学术搜索
8. m . Cerrada r·v·桑切斯·d·卡布瑞拉,g .国家和c·李,“多级特征选择利用遗传算法在齿轮箱故障诊断基于振动信号,”传感器,15卷,不。9日,第23926 - 23903页,2015年。视图:出版商的网站|谷歌学术搜索
9. k . h .回族c . s . Ooi m . h . Lim m . s .梁和s . m . Al-Obaidi”一种改进wrapper-based特征选择方法,机械故障诊断,”《公共科学图书馆•综合》,12卷,不。12日,2017年。视图:谷歌学术搜索
10. j·林和l .曲”特征提取基于morlet波和机械故障诊断中的应用,”杂志的声音和振动,卷234,不。1,第148 - 135页,2000。视图:出版商的网站|谷歌学术搜索
11. i . k . Fodor的调查降维技术。瘤7.5 (2002):475 - 485。视图:出版商的网站
12. 和w·h·彭x Chen,“应用PCA特征提取和支持向量机在传感器故障诊断智能化,”数据采集与处理》杂志上,25卷,不。1,第116 - 111页,2010。视图:谷歌学术搜索
13. Z.-B。朱镕基和Z.-H。歌曲“一种新的故障诊断系统内核FDA子空间上使用模式分类,“专家系统与应用程序,38卷,不。6,6895 - 6905年,2011页。视图:出版商的网站|谷歌学术搜索
14. d·e·戈德堡遗传算法在搜索、优化和机器学习,vol.十三。7日,1989年。
15. 即Iguyon和a . Elisseeff”介绍变量和特征选择。”机器学习研究杂志》上,3卷,第1182 - 1157页,2003年。视图:谷歌学术搜索
16. n . Spolaor e·a·Cherman m . c . Monard和h·d·李,“ReliefF多标记特征选择,”第二届巴西智能会议系统,BRACIS 20132013年10月,页6尺11寸,巴西,。视图:出版商的网站|谷歌学术搜索
17. y黄、p . j . McCullagh和n . d .黑”的优化ReliefF在大型数据集分类”数据与知识工程,卷68,不。11日,第1356 - 1348页,2009年。视图:出版商的网站|谷歌学术搜索
18. Kononenko, m . Robnik和美国筛,“ReliefF估计和离散化属性的分类、回归,和独立的问题,“人工智能:方法论、系统应用程序,1996年。视图:谷歌学术搜索
19. L.-X。张,J.-X。王,Y.-N。赵,Z.-H。杨”,一种新颖的混合特征选择算法:使用ReliefF估计GA-Wrapper搜索,”国际会议的程序在机器学习和控制论,1卷,页380 - 384,IEEE,西安,中国,2003年11月。视图:谷歌学术搜索
20. r·f·杨,w . Cheng窦,n .周”的一种改进的基于ReliefF和互信息的特征选择方法,”《2011国际会议信息科技、ICIST 2011,页246 - 250,中国,2011年3月。视图:出版商的网站|谷歌学术搜索
21. t . k . Ho”构造决定森林的随机子空间法”,IEEE模式分析与机器智能,20卷,不。8,832 - 844年,1998页。视图:出版商的网站|谷歌学术搜索
22. t . k . Ho”随机子空间,最近的邻居”先进的模式识别(悉尼,1998)卷,1451课堂讲稿的第一版。科学。施普林格,页640 - 648年,柏林,1998年。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. r . Duangsoithong和t . Windeatt相关性和冗余分析系综分类器”机器学习在模式识别和数据挖掘卷,5632在计算机科学的课堂讲稿施普林格,页206 - 220年,柏林,德国,2009年。视图:出版商的网站|谷歌学术搜索
24. Kononenko,“分析和扩展的,”《欧洲会议机器学习和数据库知识发现的原则和实践,1994年。视图:谷歌学术搜索
25. y的太阳,“迭代救济功能权重:算法,理论,和应用程序,”IEEE模式分析与机器智能卷,29号6,1035 - 1051年,2007页。视图:出版商的网站|谷歌学术搜索
26. n . Karayiannis“台面式晶体管:最大熵聚类算法”学报1994年IEEE第三国际模糊系统会议奥兰多,页630 - 635,美国。视图:出版商的网站|谷歌学术搜索
27. D.-M。赵,黄永发。王,w . Jing,肯尼迪。马”,使用模糊逻辑的和熵理论的信息安全风险评估,”国际会议的程序在机器学习和控制论(ICMLC ' 05)4卷,第2453 - 2448页,IEEE,广州,中国,2005年8月。视图:出版商的网站|谷歌学术搜索
28. R.-P。李和m . Mukaidono“最大熵的模糊聚类方法,”《IEEE国际会议在模糊系统中,1995年。国际联合会议第四届IEEE国际会议上模糊系统和第二国际模糊工程研讨会IEEE Xplore4卷,第2232 - 2227页,1995年3月。视图:谷歌学术搜索
29. w . Xizhao和美国一个研究学习权重的模糊产生式规则基于最大模糊熵,”《计算机研究开发,43卷,不。4、673 - 678年,2006页。视图:谷歌学术搜索
30. p·兰利,“选择机器学习的相关特性”学报Aaai秋季研讨会上的相关性140年,144年,p . 1994。视图:出版商的网站|谷歌学术搜索
31. f·h·Peng长,c .丁”的基于互信息的特征选择:标准max-dependency, max-relevance, min-redundancy,”IEEE模式分析与机器智能,27卷,不。8,1226 - 1238年,2005页。视图:出版商的网站|谷歌学术搜索
32. k·基拉和l·a·伦德尔,”特征选择问题:传统的方法和一种新的算法,”《十国家会议上人工智能- aaai - 921992年7月,页129 - 134。视图:谷歌学术搜索
33. h·刘,j·李和l . Wong“特征选择和分类方法进行比较研究,利用基因表达谱和蛋白质组学模式,”基因组信息学卷。13日,51-60,2002页。视图:谷歌学术搜索
34. c . t . Li张,m .——”比较研究特征选择和多类分类方法基于基因表达的组织分类,“生物信息学,20卷,不。15日,第2437 - 2429页,2004年。视图:出版商的网站|谷歌学术搜索
35. m·h·阮和f . De la Torre”,支持向量机最优特征选择,”模式识别,43卷,不。3、584 - 591年,2010页。视图:出版商的网站|谷歌学术搜索
36. 江l和j·j·张,“液压位置伺服系统的动态特性模拟基于AMESim,”机械工程自动化,2007年。视图:谷歌学术搜索
37. l . Wan X、b .叮H和z,“液压伺服系统的动态模拟研究基于AMESim仿真软件,”煤矿机械设备,2007年。视图:谷歌学术搜索
38. w . j . Cheng刘、张z”电液伺服系统建模与仿真模型的基础上,”学报2011年国际会议上消费电子、通信和网络、CECNet 2011,页466 - 469,中国,2011年4月。视图:出版商的网站|谷歌学术搜索

版权

版权©2018余丁等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。