基于熵度量的属性约简算法研究

张继洲 米志飞 谢春丽

摘要：为了减少故障参数的特征数量，加快诊断算法的运行速度，提高故障诊断的效率，本文提出利用熵度量理论对故障参数的特征按重要程度进行排序，将重要程度靠后的特征依次去除，计算去除某些特征后的特征集的熵变化量，若熵变化量变化比较小，则将该特征真正约简，再从约简后的特征集中选出一个最优的约简特征集。利用自组织特征映射神经网络对故障参数特征约简结果进行检验，验证结果表明：利用熵度量理论得出的约简结果能够用于故障诊断且诊断结果正确。

关键词：熵度量；属性约简；故障诊断；SOM神经网络

中图分类号：S11；TP206+.3

文献标识码：A

文章编号：1001-005X（2015）04-0087-05

随着储存技术的快速发展，越来越多的故障数据被储存，而故障诊断过程就是对这些海量般的历史数据进行分类分析的过程。在诊断过程中，最重要的一步就是特征提取。为了更加准确的描述机器的工作状态，大量的特征被创造出来并被用来描述机器设备的运行状态。但是，数据的特征越多（维度越高），分析的难度越大，分析结果的可信度也越低。所以，必须对数据进行属性约简（特征约简或者维归约）。利用熵度量理论，能够直接对特征的重要程度进行排序，可以有效降低故障诊断参数的维数、加快诊断算法的运算速度。

1 熵度量理论

已知初始特征全集 ，去除任意特征 得到一个特征集 ，特征集变化前后的熵的变量 越小，特征 对特征集F越……