基于小波包高铁故障类型识别翻译译文.docVIP

重庆科技学院学生毕业设计（论文） 外 文 译 文 学 院 专业班级 学生姓名 学 号 译 文 要 求 外文翻译必须使用签字笔，手工工整书写，或用A4纸打印。 所选的原文不少于10000印刷字符，其内容必须与课题或专业方向紧密相关，由指导教师提供，并注明详细出处。 3、外文翻译书文本后附原文（或复印件）。 使用semi-supervised铁路设备的故障诊断独立与混合约束因子分析 Etienne Co?me ? Latifa Oukhellou ? Thierry Den?ux ? Patrice Aknin 摘要 独立因子分析(IFA)定义了一个生成模型的观测数据认为是一些未知的非高斯的线性混合,互相独立的潜变量(也称为来源或基体组件)。每个潜变量的概率密度函数是由混合高斯模型的建模。这个模型的上下文中学习通常是一个无人管理的框架内执行,只有未标记的样本。潜变量混合矩阵和参数密度从观测数据。本文调查的全球估计IFA模型在无噪声环境时结合了前两种信息,即约束混合过程和部分知识集群成员的一些训练样本。Semi-supervised或半监督学习框架就可以处理。之前的调查这两种信息是出于现实的应用程序中有关铁路轨道电路的故障诊断。模拟数据,造成这两个应用程序中,提供证明我们的方法的能力来提高估计精度和消除不确定性在无监督IFA常见,例如源排列。 关键词 独立因素分析、Semi-supervised学习、混合物混合约束、最大似然故障、诊断模型 1、介绍 生成潜变量模型旨在描述观察到的变量的一组不可见的(或者潜在的)变量。根据假设的潜在的和观察到的变量分布,可以区分不同类型的模型,包括主成分分析(PCA)[21、32],因子分析(FA)[6、17],和独立分量分析(ICA)(7、9、22)。本文处理一个特定的模型,最后家人最近提出的(3、26)在信号处理中被称为独立因子分析(IFA)。 生成模型参与IFA假定观测变量是由一个独立的和非高斯潜变量的线性混合,在ICA模型。此外,它假定每个潜变量有自己的分布,这是模仿semi-parametrically通过混合高斯模型的(MOG)。嘈杂的IFA模型包括数据,也可以被认为是在无声的设置。在后一种情况下,ICA模型类似于标准,但它包括源密度的混合高斯模型的模型。 在IFA和ICA模型下学习通常被认为是在一个无监督或盲目框架。模型参数和潜变量是学习专门观测数据。这些模型产生可靠的结果,提供独立的假设是满意和假定的混合模型是适合的物理系统。否则,他们可能无法恢复。基本的几个扩展ICA模型提出了改进其性能,它们通常被称为半盲目独立分量分析(见[5]审查)。主要的方法利用非线性混合[20],时间相关性[4],确定性[9],或贫乏性(19、23、34)。一种方法基于IFA模型造型class-conditional密度也最近推出了[25]。 半盲目的方法在这类方法和可能利用前两种信息通过两个基本无噪声IFA模型的扩展。第一个问题的可能性将独立假设对潜在的和观察到的变量的一个子集。这种假设可以从可用的物理知识的混合过程。这种方法尚未应用的框架内IFA,但它已广泛考虑因素分析[6],更具体地说,域的结构方程建模[8]。第二扩展包含额外的信息在clus-ter加入某些样本估计IFA模型。这样,semi-supervised学习可以解决。 考虑IFA图1所示的图形模型,混合过程之前在于省略一些之间关系的观察变量X和一些潜在的变量z第二意味着之前附加信息的离散潜变量Y是考虑。事实上,可以看出IFA模型提供了两种解读,对应于离散和连续潜在变量。每一个年代的潜在变量、离散潜变量Ysi编码的集群每个样本我画。因此,部分标签对这些离散潜伏vari-ables可能有助于提高性能。这种方法非常最近的上下文中也探讨[33]非负矩阵factorisation使用完全不同的工具,但它是我们的知识第一次尝试在IFA的上下文中使用此类信息。 图1的图形模型独立的因素分析 本文组织如下。我们首先回顾一下无声的IFA模型和显示它可以估计使用最大似然。在第3段,学习的问题的背景下IFA模型与混合过程先验知识解决。第4节关注的问题将额外的信息集群成员的一些训练样本学习模型。全面最大似然准则定义,算法的优化也详细。实验模拟和标准数据集在第5节。铁路轨道电路诊断问题然后解决在第6节。第七节总结了论文。 2、无声的IFA 2