改进模型的自适应NPE算法故障降维辩识

寇勃晨，唐力伟，邓士杰

(陆军工程大学石家庄校区火炮工程系， 石家庄 050000)

现有的特征降维方法按照降维方式分为特征选择和特征变换。特征选择的结果不会改变物理意义，便于理解；而特征变换的结果能挖掘数据中更深层的信息[1]。经典的特征变换降维PCA算法是通过发现特征空间中全局方差最大的投影方向，如闫等[2]将PCA应用于人脸识别领域，并与LDA方法结合，提高了人脸识别率。但对于非线性的数据，降维后仍存在不同类混叠现象，而且特征之间的量级不统一也会影响投影方向的计算，无法实现良好的故障诊断[3]。

流形学习是近年来热门的非线性降维算法，能够提取嵌入在高维空间中的低维特征[4]。典型的流形学习算法包括等距映射算法、局部线性嵌入算法以及拉普拉斯特征映射等[5]。邻域保持嵌入NPE算法是由He等[6]提出的，可以看作是局部线性嵌入算法的改进。NPE算法能保持邻域结构不变，在数据降维的同时获得从高维空间到低维空间的投影矩阵，方便了新数据的处理[7]。NPE算法提出后被迅速应用于人脸识别领域以及故障诊断领域，Huang H等[8]将判别稀疏NPE用于高光谱图像分类；Chen X等[9]将最大边缘NPE算法用于人脸识别；刘嘉敏等[10]针对欧氏距离不能真实反映高维数据空间分布，提出相关NPE算法；Miao A等[11]提出非局部结构约束的NPE算法并应用于故障检测；宋涛等[12]将正交邻域保持嵌入用于轴承故障诊断，又提出增殖正交邻域保持嵌入[13]用于动态数据的降维。……