提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障特征维数过高的问题,本文提出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis,ERNSLDA)的特征提取方法。零空间...提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障特征维数过高的问题,本文提出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis,ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好的性能,在本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数化处理。所提方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE数据库上的仿真实验证了本文所提方法的有效性。展开更多
提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障诊断方法故障特征维数过高的问题,文章提出了一种基于指数正则化零空间线性鉴别分析(exponentialregularized null space linear discriminant analysis,ERNSLDA)的故障诊...提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障诊断方法故障特征维数过高的问题,文章提出了一种基于指数正则化零空间线性鉴别分析(exponentialregularized null space linear discriminant analysis,ERNSLDA)的故障诊断方法.零空间线性判别分析已经在数据降维和特征提取上展现出良好的性能,在文章中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数化处理.所提方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了故障诊断的精度,通过发动机失火状态识别以及齿轮箱故障摸模拟试验验证了所提方法的有效性.展开更多
文摘提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障特征维数过高的问题,本文提出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis,ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好的性能,在本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数化处理。所提方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE数据库上的仿真实验证了本文所提方法的有效性。
文摘提取有效的特征对高维数据的模式分类起着关键作用,针对现有故障诊断方法故障特征维数过高的问题,文章提出了一种基于指数正则化零空间线性鉴别分析(exponentialregularized null space linear discriminant analysis,ERNSLDA)的故障诊断方法.零空间线性判别分析已经在数据降维和特征提取上展现出良好的性能,在文章中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数化处理.所提方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了故障诊断的精度,通过发动机失火状态识别以及齿轮箱故障摸模拟试验验证了所提方法的有效性.
