• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于近鄰傳播聚類的航空電子部件LMK診斷模型

    2018-09-04 01:58:50張偉許愛強(qiáng)平殿發(fā)夏菲
    關(guān)鍵詞:訓(xùn)練樣本權(quán)重聚類

    張偉, 許愛強(qiáng),*, 平殿發(fā), 夏菲

    (1. 海軍航空大學(xué), 煙臺(tái) 264001; 2. 國網(wǎng)遼陽供電公司 信息通信分公司, 遼陽 111000)

    針對(duì)航空電子設(shè)備故障特點(diǎn)開展故障診斷算法及其應(yīng)用的研究,已成為提升航空保障能力的關(guān)鍵。航空電子設(shè)備及其子系統(tǒng)故障模式多樣[1-4],各功能模塊交聯(lián)關(guān)系復(fù)雜,這些存在的問題使得征兆與故障之間不具有嚴(yán)格的對(duì)應(yīng)關(guān)系,增加了故障診斷的難度和復(fù)雜性[5-7]。

    當(dāng)前,基于核的學(xué)習(xí)算法,例如支持向量機(jī)(Support Vector Machine, SVM)、核超限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine, KELM)等,已經(jīng)被廣泛應(yīng)用到故障診斷領(lǐng)域中,并且展示出優(yōu)越的性能[8-9]。多核學(xué)習(xí)(Multi-Kernel Learning, MKL)作為一種靈活性更強(qiáng)、解釋能力更好的核學(xué)習(xí)算法[10],近些年來受到了廣泛的關(guān)注。文獻(xiàn)[11-12]已經(jīng)將MKL引入到了包括模擬電路、變壓器等系統(tǒng)的故障診斷中,并通過大量實(shí)例證明基于MKL的診斷算法在面對(duì)單故障、多故障以及并發(fā)故障時(shí)均能取得更高的診斷精度。

    目前,大多數(shù)的文獻(xiàn)主要面向基于SVM的MKL算法研究,而對(duì)于MKL的具體形式則主要采用有限個(gè)給定基核的線性凸組合。半定規(guī)劃,二次約束二次規(guī)劃,半無限線性規(guī)劃等算法相繼被提出去解MKL問題。文獻(xiàn)[13]在2008年提出了一種更有效的算法,稱作SimpleMKL,其使得MKL對(duì)于大樣本問題更加實(shí)用。但在這些算法中,每個(gè)基核的權(quán)重在整個(gè)輸入空間保持不變,顯然忽視了輸入空間的局部多樣性。不同的核函數(shù)針對(duì)不同的樣本具有不同的可用性,為了體現(xiàn)這種可用性上的差異性,有必要為每一個(gè)樣本點(diǎn)調(diào)節(jié)核系數(shù)[14-15]?;谶@種思想,局部算法被引入MKL中,即采用一種依賴樣本的方式為基核分配權(quán)重。為此,科研人員已經(jīng)開展了相關(guān)研究。

    G?nen和Alpaydin提出了最初的局部多核學(xué)習(xí)(Localized Multi-kernel Learning, LMKL)算法[16]。取代直接優(yōu)化局部權(quán)重,文獻(xiàn)[16]采用一系列選通函數(shù)去近似局部權(quán)重,以解決局部權(quán)重的優(yōu)化形式二次非凸的問題。文獻(xiàn)[17-18]基于文獻(xiàn)[16]的思想,提出2種改進(jìn)算法。前者依據(jù)半徑-間距界將最小超球的半徑融入到LMKL中;后者構(gòu)造了一種概率置信核以此充當(dāng)選通函數(shù)。文獻(xiàn)[19]提出了一個(gè)p范數(shù)約束的LMKL模型。通過使用二階Taylor展開來近似p范數(shù),將局部權(quán)重的優(yōu)化問題轉(zhuǎn)化為一個(gè)非凸的單約束二次規(guī)劃問題,最終采用半定規(guī)劃進(jìn)行求解。LMKL算法將局部權(quán)重?cái)M合到每一個(gè)確定樣本上,雖然可以充分描述樣本的類內(nèi)多樣性,但也可能會(huì)導(dǎo)致過擬合問題的出現(xiàn)。同時(shí),需要優(yōu)化的變量個(gè)數(shù)等于樣本數(shù)乘以基核數(shù),當(dāng)數(shù)據(jù)規(guī)模較大時(shí)算法的復(fù)雜性將變得無法控制。

    為此,考慮到來自于同一聚類的數(shù)據(jù)具有相似的局部特征,趨向于具有相似的性質(zhì)。本文結(jié)合航空電子設(shè)備及其子系統(tǒng)故障診斷的實(shí)際,提出一種基于近鄰傳播(Affinity Propagation, AP)局部聚類MK-ELM(LCMKELM)診斷模型。該模型通過為具有相似分布特性的故障樣本分配相同的局部權(quán)重,在繼承一般LMKL算法局部特征自適應(yīng)表示能力的同時(shí),避免了過學(xué)習(xí)風(fēng)險(xiǎn)的出現(xiàn),有效約減了局部算法的計(jì)算復(fù)雜性。同時(shí),通過分別構(gòu)造面向輸入空間和特征空間的選通函數(shù),并以選通函數(shù)近似局部權(quán)重,提出一種2步交替優(yōu)化的策略,有效解決了局部權(quán)重二次非凸的優(yōu)化形式難以求解的問題。

    1 問題描述

    (1)

    基于初始優(yōu)化問題的Lagrange函數(shù),可以進(jìn)一步得到LMK-ELM的對(duì)偶優(yōu)化問題:

    (2)

    式中:αi為Lagrange乘子,對(duì)應(yīng)于ELM的模型參數(shù),且α=[α1,α2,…,αn]T,αi=[αi1,αi2,…,αim]T。

    為了解上述的對(duì)偶優(yōu)化問題,通常采用一種交替優(yōu)化的策略交替更新ELM模型參數(shù)和局部核權(quán)重,最終得到?jīng)Q策函數(shù):

    (3)

    無論怎樣,在優(yōu)化過程中:①局部權(quán)重的數(shù)量等于基核數(shù)乘以樣本數(shù),算法復(fù)雜性較高,且存在過學(xué)習(xí)風(fēng)險(xiǎn);②在式(2)中關(guān)于局部權(quán)重的優(yōu)化是一個(gè)困難的二次非凸問題。

    針對(duì)上述問題,本文取代一般LMKL算法中將局部權(quán)重?cái)M合到每一個(gè)確定樣本上,而是將局部權(quán)重?cái)M合到空間中具有相似局部結(jié)構(gòu)的一類群組上,進(jìn)而提出一種新的面向聚類的LMK-ELM模型。該模型的基本框架如圖1所示。

    2 LCMKELM診斷模型

    2.1 基于AP算法的樣本空間劃分

    為挖掘故障樣本中隱含的局部分布特征,本節(jié)引入AP算法[20-21]。相比于經(jīng)典的K-均值聚類,AP算法不需要指定聚類的數(shù)目,對(duì)初始值的選取不敏感,并且文獻(xiàn)[20]證明其具有更低的誤差平方和。這使得在AP算法中先驗(yàn)經(jīng)驗(yàn)成為應(yīng)用的非必要條件,因而更適合本文的應(yīng)用背景。

    首先,定義樣本間的相似性度量準(zhǔn)則為

    (4)

    顯然,φ(i,j)越大,則2個(gè)數(shù)據(jù)點(diǎn)之間的相似性越高。進(jìn)一步得到n個(gè)樣本點(diǎn)組成的相似度矩陣S,即

    AP算法中傳遞2種類型的消息,分別稱作吸引信息和歸屬信息,并存儲(chǔ)在2個(gè)矩陣V和W中。V中的v(i,j)描述了數(shù)據(jù)對(duì)象j適合作為數(shù)據(jù)對(duì)象i的聚類中心的程度,表示的是從i到j(luò)的消息。而W中的w(i,j)描述了數(shù)據(jù)對(duì)象i選擇數(shù)據(jù)對(duì)象j作為其聚類中心的適合程度,表示的是從j到i的消息。v(i,j)與w(i,j)越強(qiáng),則j點(diǎn)作為聚類中心的可能性就越大,并且i點(diǎn)隸屬于以j點(diǎn)為聚類中心的聚類的可能性也越大。吸引信息和歸屬信息的更新方程分別定義為

    wt+1(i,j)=

    式中:下標(biāo)t為當(dāng)前迭代次數(shù)。

    為了避免振蕩,AP算法更新信息時(shí)引入了衰減系數(shù)λ∈(0,1)。通常,λ越接近于0,振蕩越大,收斂越慢,生成的聚類個(gè)數(shù)較多;而λ越接近于1,振蕩越小,收斂越快,生成的聚類個(gè)數(shù)也相對(duì)較少。為此,進(jìn)一步令

    vt+1(i,j)←(1-λ)vt+1(i,j)+λvt(i,j)

    wt+1(i,j)←(1-λ)wt+1(i,j)+λwt(i,j)

    V和W初始均為全0矩陣,AP算法通過迭代過程不斷更新每一個(gè)點(diǎn)的吸引度和歸屬度,如果決策信息經(jīng)過若干次迭代之后保持不變或者算法執(zhí)行超過設(shè)定的最大迭代次數(shù),則算法終止。此時(shí),決策矩陣定義為V+W,決策矩陣主對(duì)角線元素{v(i,i)+w(i,i)}中所有大于0的G個(gè)點(diǎn)被選擇作為聚類中心,其余的點(diǎn)根據(jù)式(5)定義的規(guī)則被分配到相應(yīng)的聚類中:

    (5)

    式中:οg為第g個(gè)聚類中心在原始訓(xùn)練數(shù)據(jù)集中對(duì)應(yīng)的樣本序號(hào);c(xi)為xi所對(duì)應(yīng)的聚類標(biāo)簽。

    2.2 LCMKELM診斷模型優(yōu)化

    (6)

    式中:c(xi)和c(xj)分別為樣本xi和xj通過式(5)得到的聚類標(biāo)簽。

    由式(6)可知,J是一個(gè)關(guān)于α和γ的多目標(biāo)函數(shù)。當(dāng)γ固定時(shí),關(guān)于α最大化J,意味著最小化全局分類誤差;當(dāng)α固定時(shí),關(guān)于γ最小化J,意味著在最大化類內(nèi)相似性的同時(shí),最小化類間相似性。下面采用一種兩步交替優(yōu)化的策略,交替更新ELM模型參數(shù)α和局部核權(quán)重γ。

    2.2.1 在已知γ的條件下更新α

    (7)

    式(7)對(duì)α′求偏導(dǎo),并令結(jié)果等于0,得到

    α′=(K′+I/C)-1Y′

    (8)

    式中:I為一個(gè)m×n階單位矩陣。

    最終,ELM的模型參數(shù)可以通過一個(gè)矩陣向量化的反操作得到,記作α=ψ-1(α′)。

    2.2.2 在已知α的條件下更新γ

    結(jié)合聚類信息,式(6)所示的優(yōu)化問題的目標(biāo)函數(shù)等效于下面的形式:

    J(α,γ)=

    為了表示方便,不妨令

    (9)

    (10)

    式(10)中局部權(quán)重的優(yōu)化是一個(gè)困難的二次非凸問題。受文獻(xiàn)[16]的啟發(fā),本節(jié)從訓(xùn)練數(shù)據(jù)在輸入空間和特征空間的統(tǒng)計(jì)特性出發(fā),提出2種不同的選通函數(shù)。

    1) 函數(shù)M1:面向輸入空間的選通函數(shù)

    在輸入空間中,第g個(gè)聚類在第q個(gè)基核上的選通函數(shù)定義為

    (11)

    基于上述結(jié)果,式(10)中的J(γ)對(duì)μp,σp分別求偏導(dǎo),進(jìn)一步得到

    (12)

    (13)

    得到目標(biāo)函數(shù)J(γ)關(guān)于模型參數(shù)的梯度之后,采用梯度下降法依次更新各模型參數(shù),即

    (14)

    式中:τ11(t)和τ12(t)為迭代步長,在迭代過程中采用線性搜索算法得到。

    2) 函數(shù)M2:面向特征空間的選通函數(shù)

    在特征空間中,第g個(gè)聚類在第q個(gè)基核上的選通函數(shù)定義為

    (15)

    (16)

    (17)

    同理得到

    (18)

    得到目標(biāo)函數(shù)J(γ)關(guān)于模型參數(shù)的梯度之后,同樣采用梯度下降法更新各模型參數(shù),即

    (19)

    式中:τ21(t)和τ22(t)為迭代步長,在迭代過程中采用線性搜索算法得到。

    2.3 診斷決策

    (20)

    決策過程如圖2所示。

    (21)

    本文故障診斷模型流程圖如圖3所示。

    3 算法流程

    為表示方便,將本文診斷模型記作LCMKELM。當(dāng)采用不同選通函數(shù)時(shí),分別記作M1-LCMKELM和M2-LCMKELM。根據(jù)圖3將診斷模型的詳細(xì)流程總結(jié)如下:

    步驟6令t=1,通過式(10)計(jì)算Jt(γ)。

    步驟8執(zhí)行步驟3~步驟5;通過式(10)計(jì)算Jt+1(γ);如果|Jt+1(γ)-Jt(γ)|>10-3,t=t+1,返回步驟7;否則,執(zhí)行步驟9。

    4 實(shí)驗(yàn)分析

    本節(jié)通過2個(gè)實(shí)驗(yàn)來驗(yàn)證本文模型的性能。SimpleMKL[13]、GMKL-SVM[12]和LMKL[16]被采用作為比較算法,對(duì)于多分類問題,其均采用“一對(duì)一”的原則。在實(shí)驗(yàn)中所有的數(shù)據(jù)首先進(jìn)行Z-score標(biāo)準(zhǔn)化處理,而所有的核矩陣則被正規(guī)化到具有單位跡,即tr(Kq)=1。正則化參數(shù)C采用5倍交叉驗(yàn)證從集合{10-2,0.1,1,10,102,103,104}中選擇。AP算法中令λ=0.8,最大迭代次數(shù)設(shè)置為1 000。算法復(fù)雜性通過訓(xùn)練時(shí)間(不包括交叉驗(yàn)證時(shí)間)和測(cè)試時(shí)間共同評(píng)價(jià)。所有實(shí)驗(yàn)結(jié)果通過MATLAB 2015a得到,實(shí)驗(yàn)電腦配置為:2.27 GHz Intel Core i3 CPU,2 GB RAM。

    4.1 算法有效性驗(yàn)證

    本節(jié)采用文獻(xiàn)[16]中使用的人工數(shù)據(jù)集Gauss 4來驗(yàn)證本文模型的有效性。該數(shù)據(jù)集由服從4種不同高斯分布的1 200 個(gè)樣本組成,包括2個(gè)類別,每個(gè)類別包括2種分布。每種分布的先驗(yàn)概率、均值向量和協(xié)方差矩陣分別為

    ρ11=ρ12=ρ21=ρ22=0.25

    (22)

    (23)

    (24)

    實(shí)驗(yàn)中,隨機(jī)選擇2/3數(shù)據(jù)作為訓(xùn)練樣本,剩余1/3作為測(cè)試樣本。首先采用AP算法對(duì)訓(xùn)練樣本進(jìn)行聚類,800組訓(xùn)練樣本被劃分為26個(gè)群組,聚類結(jié)果如圖4所示。

    SimpleMKL被用來與本文模型進(jìn)行比較。多核設(shè)置為線性核,多項(xiàng)式核(參數(shù)為2),高斯核(參數(shù)為1)。評(píng)價(jià)指標(biāo)采用文獻(xiàn)[22]中定義的分類精度、F1值和G-mean。實(shí)驗(yàn)共進(jìn)行5次,將所得結(jié)果的均值和標(biāo)準(zhǔn)差記錄于表1中。

    由表1的結(jié)果看到,基于選通函數(shù)M1、M2的LCMKELM均可以實(shí)現(xiàn)比SimpleMKL更優(yōu)的分類性能。其克服了局部算法將基核權(quán)重?cái)M合到每一個(gè)確定樣本上時(shí)可能出現(xiàn)的過學(xué)習(xí)問題。對(duì)于分類精度,相比于SimpleMKL,M1-LCMKELM和M2-LCMKELM分別提升了1.65%和1.85%。

    為了更加直觀地比較本文模型的性能,將其與SimpleMKL的接受者操作特性曲線(Receiver Operating characteristic Curve, ROC)繪制在圖5中。由圖5可見,2種算法的曲線下方區(qū)域(Area Under the Curve, AUC)明顯大于SimpleMKL的AUC值,這從另一個(gè)角度進(jìn)一步證明了本文模型的有效性。

    為驗(yàn)證訓(xùn)練樣本數(shù)量對(duì)模型精度的影響。設(shè)置訓(xùn)練樣本數(shù)量分別等于16,32,48,64,144,400,600,800。每次隨機(jī)選擇100組測(cè)試樣本,將其注入到訓(xùn)練得到的不同模型中。實(shí)驗(yàn)共進(jìn)行5次,將所得結(jié)果的均值與標(biāo)準(zhǔn)差記錄于表2中。

    由表2看到,訓(xùn)練樣本的增加確實(shí)提升了診斷模型的分類性能。但是2種算法通過挖掘樣本中蘊(yùn)含的局部特征信息,在小樣本條件下可以得到與較大樣本條件下相近的分類精度。該結(jié)果證明了將本文模型應(yīng)用于小樣本條件下故障診斷任務(wù)的可行性。

    評(píng)價(jià)指標(biāo)M1-LCMKELMM2-LCMKELMSimpleMKL分類精度/%90.5000±0.684790.8500±0.602189.3500±1.2068F1值0.9049±0.00680.9085±0.00610.8958±0.0124G-mean0.9046±0.00690.9082±0.00620.8932±0.0119

    訓(xùn)練樣本數(shù)量分類精度/%M1-LCMKELM M2-LCMKELM1681.8±1.923582.6±1.67333285.2±1.483286.2±1.48324886.4±2.073686.6±1.51656486.4±1.516586.6±1.673314487.2±1.095487.4±1.140240087.0±1.870887.2±1.303860087.8±1.095488.2±0.836780088.0±0.707188.6±0.8944

    4.2 旋轉(zhuǎn)變壓器激勵(lì)發(fā)生電路診斷實(shí)例

    旋轉(zhuǎn)變壓器激勵(lì)發(fā)生電路如圖6所示。它用于產(chǎn)生旋轉(zhuǎn)變壓器磁繞組所需的正弦信號(hào),為旋轉(zhuǎn)變壓器運(yùn)行提供激勵(lì)。以滿足無刷直流電機(jī)、航空永磁同步電機(jī)等系統(tǒng)檢測(cè)需求。該電路主要由電源模塊、頻率控制模塊、正弦信號(hào)產(chǎn)生模塊和幅值調(diào)理及驅(qū)動(dòng)能力調(diào)節(jié)模塊組成。

    在基于自動(dòng)測(cè)試系統(tǒng)(Automatic Test System, ATS)的測(cè)試流程中共包含9個(gè)測(cè)試項(xiàng)目:信號(hào)頻率(Q1),信號(hào)幅值(Q2),正弦模塊輸入電壓值(Q3),信號(hào)頻率穩(wěn)定度(Q4),+15 V電壓值(Q5),-15 V電壓值(Q6),電路板工作溫度(Q7),+5 V電壓值(Q8),+10 V電壓值(Q9)。用F0,F(xiàn)1,F(xiàn)2,F(xiàn)3及F4分別表示正常模式、頻率控制模塊故障、幅值調(diào)理及驅(qū)動(dòng)能力調(diào)節(jié)模塊故障、電源模塊故障和正弦信號(hào)產(chǎn)生模塊故障。各模式下ATS共采集原始數(shù)據(jù)量分別為22,18,16,14及22。

    將采集到的數(shù)據(jù)隨機(jī)選擇1/2作為訓(xùn)練樣本,其余作為測(cè)試樣本。多核設(shè)置為:線性核,多項(xiàng)式核(參數(shù)2),高斯核(參數(shù)2,10,20,30,40,50)。首先采用AP算法對(duì)訓(xùn)練樣本進(jìn)行聚類,46組訓(xùn)練樣本被劃分為8個(gè)群組,如表3所示。

    用本文模型與SimpleMKL、GMKL-SVM、LMKL-softmax和LMKL-sigmoid分別基于上述數(shù)據(jù)進(jìn)行診斷測(cè)試,所得結(jié)果如圖7和表4所示。

    由圖7和表4可以得到:①本文算法在漏警率與虛警率上表現(xiàn)出色,實(shí)現(xiàn)了0漏警,0虛警。②2種LMKL算法盡管具有100%的訓(xùn)練診斷精度,但其測(cè)試診斷精度不高,尤其是當(dāng)采用softmax選通函數(shù)時(shí)。究其原因在于將局部權(quán)重?cái)M合到確定樣本上時(shí)導(dǎo)致算法泛化性能下降。而本文算法通過聚類將局部權(quán)重?cái)M合到一組具有相似局部特征的群組上,在挖掘局部特征的同時(shí)避免了算法過學(xué)習(xí)。相比于其他4種算法(SimpleMKL、GMKL-SVM、LMKL-softmax和LMKL-sigmoid),M1-LCMKELM將測(cè)試診斷精度分別提升了4.35%、2.17%、6.52%和2.17%;M2-LCMKELM將測(cè)試診斷精度分別提升了6.52%、4.35%、8.70%和4.35%。③比較發(fā)現(xiàn)M2-LCMKELM在診斷精度上要優(yōu)于M1-LCMKELM,原因在于當(dāng)使用選通函數(shù)M1時(shí)產(chǎn)生局部權(quán)重的稀疏解,當(dāng)使用選通函數(shù)M2時(shí)產(chǎn)生局部權(quán)重的非稀疏解,如圖8所示。稀疏解雖然易于解釋,但可能會(huì)丟失有用的信息。

    聚 類聚類中心類內(nèi)元素15{2,4,5,6,9,11,15,18,34,35}212{8,10,12,13,20,25}317{1,3,7,17}423{16,23,33}526{14,19,26,29,32}630{24,30,31,41}740{21,22,28,37,38,40,42,45}843{27,36,39,43,44,46}

    不妨用TP表示某種故障模式被正確識(shí)別的數(shù)量,F(xiàn)N表示該故障模式被錯(cuò)誤識(shí)別的數(shù)量,F(xiàn)P表示誤診斷為該故障模式的樣本數(shù)量。則將召回率定義為TP/(TP+FN),而準(zhǔn)確率定義為TP/(TP+FP)。因此,根據(jù)圖7得到4種故障模式的召回率、準(zhǔn)確率直方圖,如圖9所示。

    根據(jù)文獻(xiàn)[23]中關(guān)于多分類問題F1值及G-mean的定義,結(jié)合圖9得到表5所示的診斷結(jié)果統(tǒng)計(jì)特性。表5從診斷精度之外的另一個(gè)角度展示了各種診斷算法的性能。可以看到本文算法依舊展示出更好的診斷性能。

    表4 不同算法診斷結(jié)果比較

    此外,為了比較各種算法的時(shí)間花費(fèi),重復(fù)運(yùn)行實(shí)驗(yàn)5次,將各種算法訓(xùn)練時(shí)間與測(cè)試時(shí)間的均值與標(biāo)準(zhǔn)差記錄在表6中。

    由表6可知,①在訓(xùn)練時(shí)間上,采用LMKC明顯要比一般的MKL花費(fèi)更多的時(shí)間,而所提的2種局部MKL算法與2種流行的局部MKL算法相比較,擁有相似、甚至更短的訓(xùn)練時(shí)間。②在測(cè)試時(shí)間上,本文算法花費(fèi)時(shí)間最少,尤其是M1-LCMKELM。這是因?yàn)镋LM相比于SVM本身就是一種計(jì)算更加高效的分類器,同時(shí)當(dāng)采用輸入空間選通函數(shù)M1時(shí),能夠產(chǎn)生局部權(quán)重的稀疏解。③本文提出的是一種線下故障診斷算法,通過犧牲一定的時(shí)間花費(fèi)獲得診斷精度上的提升是可以接受的;況且,本文主要面向于小樣本條件下的診斷問題,因此時(shí)間花費(fèi)也是可控的。

    算 法F1值G-meanSimpleMKL0.89870.8826GMKL-SVM0.92080.9103LMKL-soft-amx0.88550.8745LMKL-sig-moid0.92430.9103M1-LC-MKELM0.94440.9349M2-LC-MKELM0.97290.9696

    表6 不同算法診斷時(shí)間花費(fèi)比較

    5 結(jié) 論

    針對(duì)小樣本條件下,基于ATS測(cè)試數(shù)據(jù)的航空電子部件功能故障診斷問題,本文提出一種LCMKELM診斷模型。通過實(shí)驗(yàn)驗(yàn)證了所提模型的有效性和適用性,結(jié)果表明:

    1) 在診斷精度上,相比于4種常用的MKL算法,本文模型在實(shí)現(xiàn)低漏警率、低虛警率的同時(shí)能顯著提升診斷的正確率。對(duì)于旋轉(zhuǎn)變壓器激勵(lì)發(fā)生電路,M1-LCMKELM將診斷精度平均提升了3.80%,而M2-LCMKELM將診斷精度平均提升了5.98%。

    2) 在診斷時(shí)間上,相比于2種流行的LMKL算法,本文模型具有相似、甚至更短的訓(xùn)練時(shí)間;同時(shí)得益于ELM快速的計(jì)算效率,可以實(shí)現(xiàn)更短的測(cè)試時(shí)間。

    3)M1-LCMKELM產(chǎn)生局部權(quán)重的稀疏解,M2-LCMKELM產(chǎn)生局部權(quán)重的非稀疏解。這使得M2-LCMKELM的診斷精度要優(yōu)于M1-LCMKELM,但是M1-LCMKELM的測(cè)試時(shí)間要優(yōu)于M2-LCMKELM。

    猜你喜歡
    訓(xùn)練樣本權(quán)重聚類
    權(quán)重常思“浮名輕”
    人工智能
    為黨督政勤履職 代民行權(quán)重?fù)?dān)當(dāng)
    基于DBSACN聚類算法的XML文檔聚類
    基于公約式權(quán)重的截短線性分組碼盲識(shí)別方法
    寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識(shí)別算法
    基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
    基于改進(jìn)的遺傳算法的模糊聚類算法
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    精品人妻一区二区三区麻豆| 中文字幕亚洲精品专区| 久久青草综合色| 国产精品亚洲av一区麻豆| 国产国语露脸激情在线看| 婷婷色综合大香蕉| 性高湖久久久久久久久免费观看| 一区福利在线观看| av欧美777| 在线观看免费视频网站a站| 午夜福利,免费看| 亚洲成人免费av在线播放| 欧美精品一区二区免费开放| a级片在线免费高清观看视频| 成人黄色视频免费在线看| 亚洲一区二区三区欧美精品| 欧美日韩亚洲综合一区二区三区_| 自线自在国产av| 我要看黄色一级片免费的| 国产成人免费观看mmmm| 十八禁人妻一区二区| 亚洲人成77777在线视频| 国产又色又爽无遮挡免| av在线老鸭窝| 老司机靠b影院| a 毛片基地| av电影中文网址| 亚洲,一卡二卡三卡| 国产免费一区二区三区四区乱码| 2018国产大陆天天弄谢| 国产高清不卡午夜福利| 精品人妻1区二区| 狠狠精品人妻久久久久久综合| 欧美 亚洲 国产 日韩一| 丁香六月欧美| 男女边吃奶边做爰视频| 免费女性裸体啪啪无遮挡网站| 涩涩av久久男人的天堂| 亚洲国产欧美日韩在线播放| 一级片'在线观看视频| 搡老乐熟女国产| 亚洲中文日韩欧美视频| 丝袜脚勾引网站| 韩国精品一区二区三区| 免费黄频网站在线观看国产| 午夜福利一区二区在线看| 91精品伊人久久大香线蕉| 成年女人毛片免费观看观看9 | 国产免费福利视频在线观看| 成年人免费黄色播放视频| 精品人妻熟女毛片av久久网站| 国产有黄有色有爽视频| 日本一区二区免费在线视频| 操美女的视频在线观看| 亚洲熟女精品中文字幕| 国产男女内射视频| 久久久久久久精品精品| 亚洲专区国产一区二区| 少妇 在线观看| 午夜日韩欧美国产| 久久精品久久精品一区二区三区| 黄色怎么调成土黄色| av天堂久久9| 亚洲国产av影院在线观看| 亚洲精品自拍成人| 久久av网站| 国产一卡二卡三卡精品| 热99久久久久精品小说推荐| 亚洲人成网站在线观看播放| 日韩欧美一区视频在线观看| 亚洲视频免费观看视频| 久久中文字幕一级| 亚洲精品日韩在线中文字幕| 一级毛片 在线播放| 午夜免费鲁丝| 91精品国产国语对白视频| 大片免费播放器 马上看| 国产黄色视频一区二区在线观看| 999久久久国产精品视频| 亚洲专区国产一区二区| 老司机靠b影院| 日韩 欧美 亚洲 中文字幕| 午夜福利,免费看| 国产成人精品在线电影| 国产成人精品久久久久久| 超色免费av| 国产国语露脸激情在线看| 亚洲成人手机| 日韩电影二区| 电影成人av| e午夜精品久久久久久久| 18禁黄网站禁片午夜丰满| 激情视频va一区二区三区| 亚洲 国产 在线| 欧美日本中文国产一区发布| 国产成人精品久久久久久| 日韩一卡2卡3卡4卡2021年| 日韩中文字幕视频在线看片| 久久热在线av| 日韩 亚洲 欧美在线| av在线app专区| 免费少妇av软件| 免费高清在线观看日韩| 国产片内射在线| 久久精品久久久久久久性| 精品人妻熟女毛片av久久网站| 又大又黄又爽视频免费| netflix在线观看网站| 一个人免费看片子| 一区二区三区精品91| 久久青草综合色| 国产在线一区二区三区精| 国产有黄有色有爽视频| 亚洲情色 制服丝袜| 免费在线观看视频国产中文字幕亚洲 | 最新在线观看一区二区三区 | 精品久久久久久久毛片微露脸 | 成人影院久久| 另类精品久久| 少妇裸体淫交视频免费看高清 | 午夜福利视频精品| 成年动漫av网址| 18在线观看网站| 国产99久久九九免费精品| 丝瓜视频免费看黄片| 国产有黄有色有爽视频| 久久人人爽av亚洲精品天堂| 黑人巨大精品欧美一区二区蜜桃| 天天操日日干夜夜撸| 亚洲欧洲精品一区二区精品久久久| 婷婷成人精品国产| 男女之事视频高清在线观看 | 在线观看一区二区三区激情| 国产色视频综合| 男男h啪啪无遮挡| 在线观看人妻少妇| 国产精品国产三级专区第一集| av国产精品久久久久影院| 新久久久久国产一级毛片| 永久免费av网站大全| 国产精品一区二区在线不卡| 晚上一个人看的免费电影| 成人亚洲欧美一区二区av| 精品欧美一区二区三区在线| 秋霞在线观看毛片| 欧美日韩亚洲综合一区二区三区_| 国产激情久久老熟女| 国产亚洲一区二区精品| 中文字幕另类日韩欧美亚洲嫩草| 免费av中文字幕在线| 欧美亚洲日本最大视频资源| 天天操日日干夜夜撸| 人人澡人人妻人| 老熟女久久久| 交换朋友夫妻互换小说| 中文字幕av电影在线播放| 日本91视频免费播放| 亚洲av欧美aⅴ国产| 国产成人av激情在线播放| 国产在线一区二区三区精| 精品福利永久在线观看| 午夜福利视频精品| 国产一卡二卡三卡精品| 久久久久久亚洲精品国产蜜桃av| 亚洲三区欧美一区| 男女免费视频国产| 99国产精品99久久久久| 宅男免费午夜| 婷婷丁香在线五月| 国产爽快片一区二区三区| 亚洲七黄色美女视频| 在线观看国产h片| 亚洲专区中文字幕在线| 久久精品成人免费网站| 最近手机中文字幕大全| 一二三四社区在线视频社区8| 成人国语在线视频| 又紧又爽又黄一区二区| 亚洲九九香蕉| 欧美久久黑人一区二区| 国产又爽黄色视频| 久久99精品国语久久久| 最近手机中文字幕大全| 亚洲国产日韩一区二区| 免费av中文字幕在线| 亚洲专区中文字幕在线| 欧美亚洲 丝袜 人妻 在线| 日日爽夜夜爽网站| 国产真人三级小视频在线观看| 成年人黄色毛片网站| 欧美日韩国产mv在线观看视频| 国产av一区二区精品久久| 日本一区二区免费在线视频| 一边摸一边做爽爽视频免费| 黄频高清免费视频| 亚洲色图综合在线观看| 国产又色又爽无遮挡免| xxx大片免费视频| 免费看av在线观看网站| 久久免费观看电影| 免费在线观看视频国产中文字幕亚洲 | 亚洲中文av在线| 亚洲国产欧美在线一区| 狠狠精品人妻久久久久久综合| 交换朋友夫妻互换小说| 美国免费a级毛片| 1024香蕉在线观看| 亚洲成国产人片在线观看| 激情视频va一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 久久人人爽av亚洲精品天堂| 欧美黑人精品巨大| 国产一区二区在线观看av| 一级a爱视频在线免费观看| 日韩熟女老妇一区二区性免费视频| 日本猛色少妇xxxxx猛交久久| 999久久久国产精品视频| 伊人亚洲综合成人网| 黄色毛片三级朝国网站| 欧美激情 高清一区二区三区| 一级毛片 在线播放| 国产精品一二三区在线看| 香蕉丝袜av| 黄片播放在线免费| 久久国产精品男人的天堂亚洲| 久久九九热精品免费| 夜夜骑夜夜射夜夜干| 中文字幕人妻丝袜一区二区| 一级毛片电影观看| 涩涩av久久男人的天堂| 国产极品粉嫩免费观看在线| 一级a爱视频在线免费观看| 老司机影院毛片| 亚洲国产精品一区三区| 巨乳人妻的诱惑在线观看| 男人操女人黄网站| 秋霞在线观看毛片| 天天操日日干夜夜撸| 99久久综合免费| 91麻豆精品激情在线观看国产 | 在现免费观看毛片| 99精国产麻豆久久婷婷| 久久 成人 亚洲| 久久毛片免费看一区二区三区| 亚洲伊人久久精品综合| 啦啦啦啦在线视频资源| 中国美女看黄片| 一本综合久久免费| 国产亚洲欧美在线一区二区| 黄色a级毛片大全视频| 欧美97在线视频| 国产国语露脸激情在线看| 一级黄片播放器| 久久人妻熟女aⅴ| 一区二区三区四区激情视频| 久久天堂一区二区三区四区| 欧美中文综合在线视频| 搡老岳熟女国产| 欧美日韩一级在线毛片| 久久久久久免费高清国产稀缺| 国产福利在线免费观看视频| 国产成人欧美在线观看 | 18禁裸乳无遮挡动漫免费视频| 啦啦啦啦在线视频资源| 国产精品国产三级专区第一集| 日本欧美国产在线视频| 人体艺术视频欧美日本| 色播在线永久视频| 国产在线免费精品| 黄色怎么调成土黄色| 人妻 亚洲 视频| 久久久久久亚洲精品国产蜜桃av| 亚洲国产精品国产精品| bbb黄色大片| 建设人人有责人人尽责人人享有的| 久久精品国产亚洲av高清一级| 精品少妇内射三级| 亚洲国产日韩一区二区| 久久久久久久精品精品| 亚洲成av片中文字幕在线观看| 日本猛色少妇xxxxx猛交久久| 涩涩av久久男人的天堂| 性少妇av在线| 好男人电影高清在线观看| 久久99精品国语久久久| 国产日韩欧美视频二区| 色精品久久人妻99蜜桃| 精品福利观看| 伊人亚洲综合成人网| 无限看片的www在线观看| 久久天堂一区二区三区四区| 波多野结衣一区麻豆| 一边摸一边抽搐一进一出视频| 高清视频免费观看一区二区| 亚洲免费av在线视频| 黄色 视频免费看| 视频在线观看一区二区三区| 一二三四在线观看免费中文在| 男女之事视频高清在线观看 | 老汉色av国产亚洲站长工具| 青青草视频在线视频观看| 国产av一区二区精品久久| 91麻豆av在线| 国产日韩欧美在线精品| 国产成人欧美在线观看 | 在线 av 中文字幕| 欧美大码av| 一边摸一边抽搐一进一出视频| 日本五十路高清| 交换朋友夫妻互换小说| 一级毛片女人18水好多 | 在线看a的网站| 天堂8中文在线网| tube8黄色片| 婷婷色麻豆天堂久久| 一本久久精品| 午夜福利,免费看| 啦啦啦在线观看免费高清www| 欧美乱码精品一区二区三区| 日韩 亚洲 欧美在线| 久久亚洲国产成人精品v| 亚洲人成77777在线视频| 只有这里有精品99| 丁香六月欧美| av在线老鸭窝| 丝袜人妻中文字幕| 国产免费视频播放在线视频| av在线老鸭窝| 久久性视频一级片| 国语对白做爰xxxⅹ性视频网站| avwww免费| 国产国语露脸激情在线看| 国产在视频线精品| 国产精品久久久av美女十八| 一区在线观看完整版| 日本欧美国产在线视频| 日本黄色日本黄色录像| √禁漫天堂资源中文www| 悠悠久久av| 久热这里只有精品99| 亚洲国产av新网站| 免费在线观看影片大全网站 | 在线观看国产h片| 欧美在线黄色| 久9热在线精品视频| 日韩免费高清中文字幕av| 免费在线观看完整版高清| 日韩一卡2卡3卡4卡2021年| 男人爽女人下面视频在线观看| 老汉色∧v一级毛片| 成人亚洲精品一区在线观看| 精品欧美一区二区三区在线| 午夜两性在线视频| 国产精品九九99| 国产男人的电影天堂91| 亚洲欧美激情在线| 日本黄色日本黄色录像| 各种免费的搞黄视频| 亚洲精品在线美女| 大陆偷拍与自拍| 黑人猛操日本美女一级片| 欧美日韩亚洲高清精品| 在线看a的网站| 久久精品久久精品一区二区三区| 一级黄色大片毛片| 91麻豆精品激情在线观看国产 | 美女中出高潮动态图| 国产成人精品久久二区二区免费| 国产一区二区激情短视频 | 韩国高清视频一区二区三区| 欧美成狂野欧美在线观看| 久久久精品区二区三区| 亚洲一卡2卡3卡4卡5卡精品中文| 成人国产一区最新在线观看 | 久久狼人影院| 国产精品 欧美亚洲| 两个人免费观看高清视频| www.精华液| 久久亚洲精品不卡| 制服人妻中文乱码| 高清视频免费观看一区二区| 丁香六月欧美| 色网站视频免费| 久久精品国产综合久久久| 美女脱内裤让男人舔精品视频| 日韩免费高清中文字幕av| 男女之事视频高清在线观看 | 成人亚洲欧美一区二区av| 丰满少妇做爰视频| 国产免费福利视频在线观看| 亚洲欧美精品综合一区二区三区| 久久99精品国语久久久| 国产高清视频在线播放一区 | 国产免费一区二区三区四区乱码| 国产有黄有色有爽视频| 国产精品久久久久久精品电影小说| 国产成人精品无人区| 水蜜桃什么品种好| 国产精品成人在线| 女人被躁到高潮嗷嗷叫费观| 一区二区av电影网| 国产在线观看jvid| √禁漫天堂资源中文www| 国产欧美日韩一区二区三 | netflix在线观看网站| 亚洲九九香蕉| 9热在线视频观看99| 久久久亚洲精品成人影院| 久久久亚洲精品成人影院| 水蜜桃什么品种好| 成年人黄色毛片网站| 欧美日韩亚洲高清精品| 国产成人免费观看mmmm| 久久狼人影院| 精品第一国产精品| 美女高潮到喷水免费观看| 9191精品国产免费久久| 国产成人精品久久久久久| 精品福利观看| 亚洲美女黄色视频免费看| 欧美 日韩 精品 国产| 国产成人一区二区三区免费视频网站 | 亚洲成人国产一区在线观看 | 精品一品国产午夜福利视频| 国产黄色免费在线视频| 精品亚洲成a人片在线观看| 一区在线观看完整版| 在线观看www视频免费| 国产精品国产三级专区第一集| 在线 av 中文字幕| 交换朋友夫妻互换小说| 中文乱码字字幕精品一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 亚洲,一卡二卡三卡| 91麻豆精品激情在线观看国产 | 香蕉丝袜av| 91九色精品人成在线观看| 国产亚洲欧美在线一区二区| 午夜免费鲁丝| 亚洲精品美女久久久久99蜜臀 | 成人午夜精彩视频在线观看| 可以免费在线观看a视频的电影网站| 嫩草影视91久久| 中文欧美无线码| 女人爽到高潮嗷嗷叫在线视频| 国产精品二区激情视频| 亚洲精品国产一区二区精华液| 黑人巨大精品欧美一区二区蜜桃| 亚洲人成电影观看| 2021少妇久久久久久久久久久| 日韩熟女老妇一区二区性免费视频| 青春草亚洲视频在线观看| 青春草视频在线免费观看| 性少妇av在线| 午夜视频精品福利| 免费人妻精品一区二区三区视频| 九色亚洲精品在线播放| av有码第一页| 黄片播放在线免费| 中文字幕人妻丝袜一区二区| 黄片播放在线免费| 男女无遮挡免费网站观看| 在线av久久热| 女人高潮潮喷娇喘18禁视频| 男人操女人黄网站| 在线观看www视频免费| 免费人妻精品一区二区三区视频| 久久人人97超碰香蕉20202| 十分钟在线观看高清视频www| 亚洲国产看品久久| 久久综合国产亚洲精品| 国产成人精品在线电影| 亚洲一区中文字幕在线| 久久性视频一级片| 极品少妇高潮喷水抽搐| av一本久久久久| 国产欧美亚洲国产| 国产精品久久久久成人av| 亚洲一区二区三区欧美精品| 成年av动漫网址| 精品国产乱码久久久久久小说| av电影中文网址| 韩国高清视频一区二区三区| 大型av网站在线播放| 欧美国产精品va在线观看不卡| videosex国产| 黄色a级毛片大全视频| 久久av网站| 9色porny在线观看| 亚洲av美国av| av网站在线播放免费| 免费黄频网站在线观看国产| 国产97色在线日韩免费| 久久人人97超碰香蕉20202| 亚洲熟女精品中文字幕| 亚洲精品一卡2卡三卡4卡5卡 | 国产精品一二三区在线看| 1024视频免费在线观看| 美女国产高潮福利片在线看| 男女之事视频高清在线观看 | 午夜免费观看性视频| 777米奇影视久久| 国产真人三级小视频在线观看| 中文字幕色久视频| 亚洲成人免费av在线播放| 欧美黄色淫秽网站| tube8黄色片| 狂野欧美激情性xxxx| 久久国产精品男人的天堂亚洲| 少妇的丰满在线观看| 免费黄频网站在线观看国产| 一本—道久久a久久精品蜜桃钙片| av在线app专区| 成人国语在线视频| 国产精品久久久av美女十八| 精品欧美一区二区三区在线| 国产精品香港三级国产av潘金莲 | 香蕉丝袜av| 国产日韩欧美视频二区| 操美女的视频在线观看| 1024香蕉在线观看| 人妻人人澡人人爽人人| 亚洲五月婷婷丁香| 久久久国产欧美日韩av| 青春草亚洲视频在线观看| 成在线人永久免费视频| 午夜两性在线视频| 在线av久久热| 中文字幕人妻丝袜一区二区| 久久精品亚洲熟妇少妇任你| 成人黄色视频免费在线看| 午夜影院在线不卡| 高潮久久久久久久久久久不卡| 久久人妻福利社区极品人妻图片 | 99久久精品国产亚洲精品| 久久久欧美国产精品| netflix在线观看网站| 国产黄色免费在线视频| 国产av国产精品国产| 成在线人永久免费视频| 亚洲熟女毛片儿| 十分钟在线观看高清视频www| 亚洲,欧美精品.| 夜夜骑夜夜射夜夜干| 亚洲美女黄色视频免费看| 一个人免费看片子| 久久久久久久精品精品| 99国产精品一区二区蜜桃av | 一级片'在线观看视频| 亚洲精品美女久久av网站| 亚洲一区中文字幕在线| 国产欧美日韩综合在线一区二区| 欧美黑人精品巨大| 亚洲国产欧美网| 免费高清在线观看视频在线观看| 无遮挡黄片免费观看| 色视频在线一区二区三区| 最近最新中文字幕大全免费视频 | 啦啦啦在线观看免费高清www| 久久鲁丝午夜福利片| 丝袜脚勾引网站| 国产麻豆69| 熟女av电影| 超碰成人久久| 日韩伦理黄色片| 80岁老熟妇乱子伦牲交| 欧美乱码精品一区二区三区| 国产色视频综合| 精品一区二区三卡| 国产成人a∨麻豆精品| 又大又爽又粗| 亚洲欧美色中文字幕在线| 亚洲 欧美一区二区三区| 天天操日日干夜夜撸| 久久精品国产a三级三级三级| 中国国产av一级| 亚洲欧美精品自产自拍| 中文字幕亚洲精品专区| 欧美少妇被猛烈插入视频| 国产精品av久久久久免费| 欧美亚洲日本最大视频资源| 国产成人啪精品午夜网站| 国产男女超爽视频在线观看| 丰满饥渴人妻一区二区三| 婷婷丁香在线五月| 色94色欧美一区二区| 黄网站色视频无遮挡免费观看| 婷婷色综合大香蕉| 精品一品国产午夜福利视频| 99九九在线精品视频| 日本av免费视频播放| h视频一区二区三区| 王馨瑶露胸无遮挡在线观看| 成人手机av| av欧美777| 天天躁日日躁夜夜躁夜夜| 日本色播在线视频| 一区二区日韩欧美中文字幕| 人妻人人澡人人爽人人| 欧美人与性动交α欧美精品济南到| 午夜福利乱码中文字幕| 欧美乱码精品一区二区三区| 免费观看a级毛片全部| 久久精品aⅴ一区二区三区四区| 咕卡用的链子| 欧美人与性动交α欧美精品济南到| av视频免费观看在线观看| 婷婷色综合www| av福利片在线| a级片在线免费高清观看视频| 2021少妇久久久久久久久久久| 国产国语露脸激情在线看| 午夜福利,免费看| a 毛片基地| 国产精品亚洲av一区麻豆|