基于Manhattan距离与随机邻域嵌入的故障特征提取算法

• 作者: 柯佳佳 胡建中
• 来源期刊: 计算机应用研究
• 关键词: 随机邻域嵌入 欧氏距离 Manhattan距离 故障特征提取
• 年，卷（期）: 2015,（10）
• 所属期刊栏目: 系统应用开发
• 页码范围: 2992-2995
• 页数: 4页
• 分类号: TP206
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2015.10.027

摘要

随机邻域嵌入(stochastic neighbor embedding,SNE)算法在欧氏距离基础上定义了邻域概率函数,是一种基于数据间相似度的降维方法.针对欧氏距离在高维数据空间中不能提供较大的相对距离差、无法明显体现高维数据对象之间差异性的问题,提出一种基于Manhattan距离的随机邻域嵌入(Manhattan-SNE)算法.采用Manhattan距离衡量高维数据对象之间的相异度,得到高维空间和低维空间数据对象之间相似度的条件概率,嵌入目标是使得高维空间和低维空间的分布形式尽可能一致,选择KL散度作为算法的目标函数,通过梯度下降法寻找目标函数的最小值,从而得到算法的低维嵌入.测试与实验分析结果表明:所提算法的平均分类正确率有明显提高,证明了改进算法的有效性与实用性,可以用于故障数据的特征提取.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	胡建中	东南大学机械工程学院	49	516	11.0	21.0
2	柯佳佳	东南大学机械工程学院	5	8	1.0	2.0