基于拉氏搜索方向的dee水電機組噪聲異常檢測方法
【專利摘要】一種基于拉氏搜索方向的DEE水電機組噪聲異常檢測方法，包括訓練部分和測試部分，提出了一種引入噪聲源類別標簽的鑒別性鄰域嵌入分析方法，同時以拉氏變換方向為目標函數迭代方向，提升訓練模型構建效率?；诹餍袑W習的理論，本發(fā)明認為水電機組噪聲源的檢測特征是由內在結構生成的，通過標記噪聲源的增強內在結構之間的聯(lián)系，以更好的滿足鄰域關系一致性。通過鑒別性鄰域嵌入分析獲得水電機組噪聲源檢測特征，最后利用此特征檢測噪聲源。本發(fā)明所得識別率較高，并且能勝任大規(guī)模數據的鑒別任務。
【專利說明】基于拉氏搜索方向的DEE水電機組噪聲異常檢測方法

【技術領域】
[0001] 本發(fā)明涉及水電機組故障檢測領域，具體地說，是涉及一種基于鑒別性鄰域嵌入 分析的水電機組異常噪聲檢測方法。

【背景技術】
[0002] 水能資源主要是指水的勢能、動能以及壓力能等帶來的能量資源，它是我國第二 大具有大規(guī)模開發(fā)能力的資源，并且是我國最大的可再生的資源，在未來十五年，水能的發(fā) 展將是我國重要的戰(zhàn)略方向?？稍偕茉撮_發(fā)戰(zhàn)略是國家十二五規(guī)劃的重要組成部分。
[0003] 小水電是一種資源分布廣、開發(fā)潛力大、環(huán)境影響小、可擴展利用的可再生能源， 在國家能源發(fā)展戰(zhàn)略上有著重大意義。在現階段，考慮到水電機組的復雜性以及小水電站 位置的苛刻性，通常采用專人值守的形式進行設備維護與異常監(jiān)測。其過程不僅效率低下， 而且過分依賴于工作人員的經驗知識，往往具有較高的誤判率，因此有必要研究機器學習 理論與統(tǒng)計學理論并實現高性能識別算法，用于實現無人值守的小水電監(jiān)測系統(tǒng)。鄰域嵌 入分析算法能夠有效地進行數據分簇可視化操作，如何提升鄰域嵌入算法的鑒別性能并應 用于水電機組噪聲源識別具有非常重要的研究價值。
[0004] 目前，采用機器學習的方法來對異常信號進行特征檢測的方法有很多，主要有以 下幾類方法：主分量分析，線性判別分析，流行學習，非負矩陣分解等。但是，由于小水電噪 聲數據維數過高，采用上述方法對其進行分類仍然是一個困難的任務，主要面臨的挑戰(zhàn)：分 類性能差，存儲需求大、計算復雜度過高。近來，一批基于隨機近鄰嵌入的降維技術吸引著 人們的眼球，同已有的技術相比，Hitton等提出的SNE目標是使源高維空間概率分布表達 式和低維空間概率分布表達式完全匹配，Lee等引入微縮版的Jensen-Shannon散度，這樣 能更好的保存小K叉緊鄰信息。CarreiraPerpina提出了一種新的降維方法，稱為彈性嵌 入（EE)，該算法在訓練過程中保持兩個數據點之間坐標和相關度的不變性。彈性嵌入分類 算法比SNE算法、t-SNE算法的效果更好，它不僅改善了算法的分類能力，并且在時間復雜 度方面得到了很大的提升，使得分類算法能夠直接應用于數據的分類。但是仍然面臨高維 數據分類性能差挑戰(zhàn)。為了降低算法復雜獨，提高識別率，需要尋找到更好的辦法來解決這 個問題。


【發(fā)明內容】

[0005] 本發(fā)明要克服上述現有技術的缺點，提出基于鑒別性鄰域嵌入分析的水電機組異 常檢測方法，能夠解決對高維數據分類效果不理想的問題；其次，在有效地提高了識別率的 同時，很好地保持了類內及類間的樣本結構。
[0006] 本發(fā)明解決其技術問題所采用的技術方案是：
[0007] -種基于拉氏搜索方向的DEE水電機組噪聲異常檢測方法，包括如下步驟：
[0008] 步驟1，訓練部分，具體包括：
[0009] I. 1確定訓練樣本矩陣X= [Xl，X2，…，xN]及其類別標簽，設定方差參數X以及最 大迭代次數Mt;
[0010] 1. 2根據步驟al中樣本矩陣X計算輸入樣本間吸引權重?"+m和排斥權重:

【權利要求】
1. 一種基于拉氏搜索方向的DEE水電機組噪聲異常檢測方法，包括如下步驟：步驟1， 訓練部分，具體包括： I. 1確定訓練樣本矩陣X= [Xl，X2，…，XN]及其類別標簽，設定方差參數入以及最大迭 代次數Mt ; 1. 2根據步驟al中樣本矩陣X計算輸入樣本間吸引權重和排斥權重:
其中1"，Im代表樣本標簽； 1. 3初始化變換矩陣A°，使其元素滿足（0, 1)高斯分布； 1. 4引入樣本類別標簽和線性投影變換矩陣yi = Axi (A e If xd)，在訓練過程中保持兩 個數據點之間坐標和相關度的不變性、最后利用拉氏方向梯度下降迭代策略，以實現全局 快速收斂，更新變換矩陣A : a. 鑒別性鄰域嵌入分類算法的目標代價函數為： n,m-i n,m=i
b. 在此目標函數下,通過拉氏方向迭代策略來參數化目標泛函： bl利用投影矩陣A參數化目標泛函：
為使表達方便，定義以下幾個輔助變量： xITIll = Xn_Xm W nm = W 入 W ;exp (_ I I YnI1J I 2) 通過上述輔助變量，上述梯度公式轉化為拉氏方向的梯度下降法可簡化為：
其中，L = D-W，D = diag( E n= > J為度矩陣，Id為dXd識別矩陣，D+為正定對稱 矩陣，（L-D+)是對稱矩陣； 1.5輸出最終投影矩陣A ; 步驟2,測試部分具體包括： 2. 1確定測試樣本矩陣X' = [Xl，X2，…，xN]及其類別標簽； 2. 2利用投影矩陣A將測試樣本投影至低維流形空間； 2. 3采用最近鄰分類器進行識別率檢測。
【文檔編號】G06F19/00GK104361194SQ201410420937
【公開日】2015年2月18日 申請日期:2014年8月25日 優(yōu)先權日:2014年8月25日
【發(fā)明者】鄭建煒, 黃瓊芳, 邱虹, 王萬良, 王海倫 申請人:浙江工業(yè)大學