针对证据理关于的模糊kNN分类方法与其在故障诊断中的应用分析研究.pdfVIP

摘要 随着现代经济的快速发展，现代工业规模的不断扩大，工业过程的复杂性不 断提高，导致现代系统越来越复杂。基于复杂系统的精确模型很难获得，而获得 系统正常以及各种故障状态下的历史数据相对比较容易这一现状，本文对基于数 据驱动的故障诊断方法主要是机器学习方法中的七近邻(knearestneighbor,kNN) 分类器方法进行了研究。 kNN是常用的机器学习方法之一。作为一种理论完善并且不需要训练的分 类方法，kNN具有分类简单并且分类正确率较高的优势。本文在研究分析kNN 以及各种改进kNN分类方法优缺点的基础上，进一步完善kNN分类算法并将其 应用于故障诊断。主要工作如下： (1)研究分析了kNN算法，并对kNN及其主要的改进方法模糊kNN和证据 kNN算法进行了系统的分析比较，总结这些算法的优缺点。 (2)提出了基于模糊一证据融合的kNN分类算法。针对kNN、模糊kNN和 证据kNN算法所存在两个主要问题，即它们均无法区别各个特征的重要程度， 以及在对k个邻居的信息进行利用时，没有考虑不同邻居到样本类中心的距离不 同带来的影响，提出了模糊．证据kNN算法，采用加权欧式距离选取邻居，其中 每一个特征的权重是根据它的模糊熵值来确定。对样本进行模糊化，并将其看作 概率，基于概率熵来度量样本的模糊性从而区分邻居的模糊程度