PSO与LS混合算法在故障特征选择中的应用

• 作者: 张亚龙 张娟 王雪冬 赵荣珍
• 来源期刊: 机械设计与研究
• 学科: 工学
• 关键词: 特征选择 特征子集 拉普拉斯分值 粒子群算法 支持向量机
• 年，卷（期）: 2016,（4）
• 所属期刊栏目: 机构学与机械动力学
• 页码范围: 43-45,49
• 页数: 4页
• 分类号: TH165|TP18
• 语种: 中文

摘要

为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法.该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集.用双跨转子实验台的一组故障特征数据集进行验证.实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵荣珍		117	796	16.0	23.0
2	张娟		25	118	7.0	10.0
3	王雪冬		5	12	2.0	3.0
4	张亚龙		2	2	1.0	1.0