《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 設(shè)計應(yīng)用 > 一種新的特征評價方法及在高鐵故障中的應(yīng)用
一種新的特征評價方法及在高鐵故障中的應(yīng)用
2015年電子技術(shù)應(yīng)用第9期
 杜 靜,蔡震震,蔣 鵬,金煒東
西南交通大學(xué) 電氣工程學(xué)院,四川 成都610031
摘要: 提出一種基于Murphy改進(jìn)的D-S算法作為融合規(guī)則的多準(zhǔn)則特征評價方法(MCFE-DSEC)。該方法融合不同的單一評價準(zhǔn)則,對特征作出綜合評價,去掉冗余特征,以提高分類準(zhǔn)確率。將該方法應(yīng)用于高速列車故障數(shù)據(jù)中,實驗結(jié)果表明,與Borda-Count方法和單一評價準(zhǔn)則相比,MCFE-DSEC方法對各個速度下的特征都能作出有效的評價,適用性強且準(zhǔn)確率高。
中圖分類號: U279;TP391
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.2015.09.042

中文引用格式: 杜靜,蔡震震,蔣鵬,等. 一種新的特征評價方法及在高鐵故障中的應(yīng)用[J].電子技術(shù)應(yīng)用,2015,41(9):153-156.
英文引用格式: Du Jing,Cai Zhenzhen,Jiang Peng,et al. A new feature evaluation algorithm and its application in fault of high-speed railway[J].Application of Electronic Technique,2015,41(9):153-156.
A new feature evaluation algorithm and its application in fault of high-speed railway
Du Jing,Cai Zhenzhen,Jiang Peng,Jin Weidong
School of Electrical Engineering, Southwest Jiaotong University,Chengdu 610031,China
Abstract: A multi-criterion feature evaluation algorithm (MCFE-DSEC) is proposed, which takes the improved D-S theory by Murphy as the fusion rule. MCFE-DSEC aggregates a collection of different single criteria, making a comprehensive evaluation of features and removing redundant features to improve classification accuracy. The multi-criterion feature evaluation algorithm is applied to the high-speed train fault data. The obtained results show that compared with the Borda-Count method and single criteria, MCFE-DSEC method can evaluate the features at every speed more effectively and is more adaptable with higher accuracy.
Key words : feature evaluating;multi-criterion fusion;D-S evidence theory;evidence conflict theory;fault classification

  

0 引言

  特征選擇是指從原始特征集中刪除冗余的、無關(guān)的的特征,選取含有最多識別信息的特征子集[1-3]。目前特征評價準(zhǔn)則面臨兩大問題:一是定義新的單一特征評價準(zhǔn)則;另一個是如何融合不同單一特征評價準(zhǔn)則解決特征之間的冗余和沖突。

  為解決第一個問題,許多學(xué)者提出一系列單一特征評價準(zhǔn)則,如Mahalanobis Distance、Fuzzy Entropy等。特征選擇方法主要分為兩種方式:Filter model和Wrapper model[4]。單一特征評價準(zhǔn)則存在許多不足之處,如單一特征評價準(zhǔn)則不能全面反映特征的特性,普適性較差。

  為解決第二個問題,YAN W提出了一種新的多準(zhǔn)則特征排序方法(MCFR)[5]。為綜合運用單一評價準(zhǔn)則,YAN W等提出了融合方法:基于Borda count方法的特征排序融合方法。YANG F提出一種基于多準(zhǔn)則特征排序的遞歸特性消除算法(MCF-RFE)[6]。

  多準(zhǔn)則特征評估方法的核心問題是融合規(guī)則問題。D-S證據(jù)理論不僅能很好地把握問題的未知性和不確定性,而且提供了一個非常有用的合成公式,使得融合多個證據(jù)源提供的信息成為可能[7-8]。Murphy提出首先將待融合n條證據(jù)進(jìn)行算數(shù)平均,然后對平均后的證據(jù)利用D-S規(guī)則組合n-1次,該方法可以得到好的收斂效果[9]。因此,為了提高多準(zhǔn)則特征評價的有效性,基于Murphy改進(jìn)的D-S理論和證據(jù)沖突理論,本文提出一種新的多準(zhǔn)則特征評估方法(MCFE-DSEC)。

  實驗部分將MCFE-DSEC與4種單一評價準(zhǔn)則(Fisher′s ratio、Fuzzy Entropy、Representation Entropy(RE)、MD)及多準(zhǔn)則特征評估方法(Borda Count)的分類準(zhǔn)確率進(jìn)行對比,實驗結(jié)果表明,MCFE-DSEC方法得出的分類準(zhǔn)確率優(yōu)于上述方法,同時也說明采用D-S理論作為融合規(guī)則能夠有效地降低融合過程中的沖突,得到更可靠的排序結(jié)果。

1 特征評價準(zhǔn)則

  目前,研究者們已提出許多特征評價準(zhǔn)則。顯然,沒有必要把所有的單一特征評價準(zhǔn)則融合,而且這種做法也是不切實際的[10]。本文采用Mahalanobis Distance(MD)、Fisher′s ratio、Fuzzy Entropy和Representation Entropy(RE)4種方法。Fuzzy Entropy和 Representation Entropy是基于信息論的過濾式特征評價方法,Mahalanobis Distance(MD)和Fisher′s ratio屬于包裹式特征評價方法。下面將簡要介紹這4種方法。

  1.1 Representation Entropy(RE)

  設(shè)6A3)ZU]1IM]G9}]BNMCF_9I.pngj(j=1,…,d)表示d維特征集合的協(xié)方差矩陣的特征值,將特征值標(biāo)準(zhǔn)化:

  9S]{K5F4YG_@(FA)Q4DH~4F.png

  1.2 Fisher′s  ratio

  Fisher′s ratio[12]對每一個特征計算其類間均值的方差與類內(nèi)平均方差的比值,根據(jù)比值的大小判斷特征j對分類作用的大小。

  X9KADS3IPQ]8@5P`UPHO4`B.png

  c類中特征j的方差。FR越大,對分類起的作用越大。

  1.3 Fuzzy Entropy

  模糊熵的定義很多,De Luca和Termini考慮到模糊集合的概念在克勞德·艾爾伍德·香農(nóng)(Claud Elwood Shannon)概率熵的基礎(chǔ)上提出模糊熵的公式如下[13]:

  P~7EXUQ_M27`LMXF5G(%_3I.png

  1.4 Mahalanobis Distance,MD

  設(shè)FN]1TNP)MEH2Q3K~RM]AN33.pngi和FN]1TNP)MEH2Q3K~RM]AN33.pngj分別表示第i類和第j類內(nèi)所有樣本的均值向量(行向量),BFD@3MU6KY_Z(OMW0~R0ZYN.png表示特征集合的協(xié)方差矩陣。Mahalanobis Distance計算方法如下[5]:

  對于含兩類以上的數(shù)據(jù)集,MD可表示為:

  ~WDXE4]EEG~{TAVP]_DSL0R.png

  MD越大表示該特征集合含有的信息越多。

2 基于D-S理論的多準(zhǔn)則特征評估方法

  2.1 D-S證據(jù)理論

  首先定義一個空間,稱為辨識框架,由一些互斥且窮舉的元素組成。對于問題域中任何命題A,都應(yīng)包含于2?茲。定義映射m:2X→[0,1],為基本概率賦值函數(shù),則相應(yīng)的D-S融合規(guī)則為[14-15]:

  1RWF8KTXRU~)_S7@HP%EEEY.png

  其中,}L}}7@JE0N]IB6@STO`JD0T.png表示各證據(jù)之間的沖突系數(shù)。

  D-S證據(jù)理論雖然有很多優(yōu)點,但在組合高沖突的證據(jù)時會出現(xiàn)違背常理的組合結(jié)果。針對這一問題,國內(nèi)外研究人員提出眾多改進(jìn)方法。Murphy提出一種對證據(jù)源求算術(shù)平均的改進(jìn)算法,該方法簡單有效,因此本文將該方法作為融合規(guī)則。

  2.2 基于D-S理論的多準(zhǔn)則特征評估方法


Image 001.jpg

  MCFE-DSEC的原理如圖1所示,給定一個特征集,首先根據(jù)每一個單一評價準(zhǔn)則得到相應(yīng)的得分向量,每個特征的得分大小代表該特征的重要程度;然后,對每個得分向量歸一化作為分?jǐn)?shù)證據(jù)向量;根據(jù)融合規(guī)則將分?jǐn)?shù)證據(jù)向量融合得到綜合得分向量;最后,對綜合得分向量排序得到特征的綜合排序。

  下面將詳細(xì)介紹MCFE-DSEC方法的融合規(guī)則。設(shè)識別框架?專={F1,F(xiàn)2,…,F(xiàn)M}包含M個互不相容的元素,F(xiàn)i表示第i個特征。假設(shè)有N個單一特征評價準(zhǔn)則,si表示由第i(1≤i≤N)個準(zhǔn)則得到的得分向量,對si歸一化:

  K6IBI04BNMDL$$7Y1ZM[18R.png

  由融合準(zhǔn)則得到統(tǒng)一的得分向量[e(F1),e(F1),…,e(FM)]。得分向量中的元素降序排列,得到特征的綜合排序。

3 實驗與分析

  為了驗證本文算法的有效性和優(yōu)越性,對高速列車的實測故障數(shù)據(jù)進(jìn)行,本文分別采用多準(zhǔn)則MCFE-DSEC、Borda Count和3種單一評價準(zhǔn)則(Fuzzy Entropy、 Fisher′s ratio、RE)對特征進(jìn)行評價,每次去掉一個冗余特征,并用剩余的特征子集進(jìn)行分類,就可得到各個特征空間的分類準(zhǔn)確率,并將上述5種方法各個特征空間的分類準(zhǔn)確率對比。

  3.1 實驗設(shè)計

  為了驗證MCFE-DSEC方法在高鐵故障診斷中的有效性,應(yīng)用MCFE-DSEC方法對某型高速列車實測數(shù)據(jù)進(jìn)行了仿真驗證。對高速列車4種工況(正常、橫向減振器失效、抗蛇行減振器失效、空簧失氣)的數(shù)據(jù)分別提取小波系數(shù)均值、方差以及快速傅里葉變換的均值、方差得到8維特征,每種工況有20組樣本,共80組樣本。從4種工況中分別選取一組樣本作為訓(xùn)練樣本,剩下的76組數(shù)據(jù)作為測試樣本。

  3.2 實驗結(jié)果分析


  圖2~圖6表示不同速度下6種特征評價方法在各個特征空間內(nèi)的準(zhǔn)確率對比,表1為不同速度下6種特征評價方法在各個特征空間內(nèi)的準(zhǔn)確率的平均值以及原特征空間的分類準(zhǔn)確率。由圖2~圖6和表1可得:與其他方法相比, MCFE-DSEC方法對5種速度下各個空間都有較高的分類準(zhǔn)確率,在去除冗余特征的過程中分類準(zhǔn)確率呈現(xiàn)先增長后下降的趨勢,不僅如此,各個特征空間的分類準(zhǔn)確率平均值也是6種方法中最高的。而其他方法只能對某一速度下的特征作出有效的評價,但是對其他速度下的特征不適用。如Borda Count方法,只對速度140 km/h、220 km/h有較好的評價結(jié)果,但對其他速度不適用;Fisher′s ratio方法只對速度200 km/h、220 km/h有較好的評價,但準(zhǔn)確率低于MCFE-DSEC方法,而對其他速度的評價結(jié)果很差。MCFE-DSEC方法在140 km/h速度下與原特征空間相比分類準(zhǔn)確率提高了22.04%,在160 km/h速度下與原特征空間相比分類準(zhǔn)確率提高了8.63%。以上說明MCFE-DSEC方法能夠更好的對特征作出評價,且具有普適性。

4 結(jié)束語

  基于多準(zhǔn)則特征評估方法和改進(jìn)的D-S證據(jù)理論各自的優(yōu)點,本文提出一種新的特征選擇方法MCFE-DSEC。實驗部分以高速列車故障數(shù)據(jù)為研究對象進(jìn)行了驗證。實驗結(jié)果證明了該方法可以有效地對各個特征做出評價,剔除冗余特征,降低分類器的復(fù)雜度,有效地提高高速列車多種故障分類的準(zhǔn)確度。

  參考文獻(xiàn)

  [1] SUN X,LIU Y,XU M,et al.Feature selection using dynamicweights for classification[J].Knowledge-Based Systems,2013(37):541-549.

  [2] SONG Q,NI J,WANG G.A fast clustering-based feature subset selection algorithm for high-dimensional data[J].Knowledge and Data Engineering,IEEE Transactions on,2013,25(1):1-14.

  [3] YU L,LIU H.Efficient feature selection via analysis of relevance and redundancy[J].The Journal of Machine Learning Research,2004(5):1205-1224.

  [4] AHMAD F K,NORWAWI N M,DERIS S,et al.A review of feature selection techniques via gene expression profiles[C].Information Technology,2008.ITSim 2008.International Symposium on.IEEE,2008,2:1-7.

  [5] YAN W.Fusion in multi-criterion feature ranking[C].Information Fusion,2007 10th International Conference on.IEEE,2007:1-6.

  [6] YANG F,MAO K Z.Robust feature selection for microarraydata based on multicriterion fusion[J].IEEE/ACM Transactions on Computational Biology and Bioinformatics(TCBB),2011,8(4):1080-1092.

  [7] 孫全,葉秀清,顧偉康.一種新的基于證據(jù)理論的合成公式[J].電子學(xué)報,2000,28(8):117-119.

  [8] 李弼程,錢曾波.一種有效的證據(jù)理論合成公式[J].數(shù)據(jù)采集與處理,2002,17(1):33-36.

  [9] MURPHY C K.Combining belief functions when evidence conflicts[J].Decision support systems,2000,29(1):1-9.

  [10] ZHU J,F(xiàn)EI Z.Feature selection for high-dimensional and small-sized data based on multi-criterion fusion[J].Journalof Convergence Information Technology,2012,7(19):203.

  [11] MITRA P,MURTHY C A,PAL S K.Unsupervised feature selection using feature similarity[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(3):301-312.

  [12] ZABIDI A,MANSOR W,KHUAN L Y,et al.The effect ofF-ratio in the classification of asphyxiated infant cries using multilayer perceptron Neural Network[C].Biomedical Engineering and Sciences(IECBES),2010 IEEE EMBS Conference on.IEEE,2010:126-129.

  [13] LUUKKA P.Feature selection using fuzzy entropy measureswith similarity classifier[J].Expert Systems with Applica-tions,2011,38(4):4600-4607.

  [14] DEMPSTER A P.Upper and lower probabilities induced by a multivalued mapping[J].The Annals of Mathematical Statistics,1967(2):325-339.

  [15] SHAFER G.A mathematical theory of evidence[M].Princeton:Princeton university press,1976.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。