声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：31-1316/TU
国际刊号：1000-3835
发布日期:
作者：佘博，田福庆，梁伟阁，汤健
单位：1.海军工程大学 兵器工程系， 武汉 430000；2.北京工业大学 信息学部，北京 100124
关键词：增量式学习；监督局部切空间排列；故障诊断；支持向量机
针对局部切空间排列算法面临的无法利用样本标签信息和不能高效处理增量式维数约简问题，提出一种新的增量式监督局部切空间排列算法（Incremental Supervised Local Tangent Space Alignment, ISLTSA）。为充分利用训练样本标签信息，在LTSA算法的基础上加入散度矩阵，构造新的最小目标函数，使得高维样本的低维嵌入坐标同类聚集、异类分离。对于新增样本可能影响部分训练样本局部邻域，更新全局坐标矩阵，获取训练样本低维坐标和新增样本低维坐标，并作为初值进行特征值迭代实现所有样本全局坐标的更新。结合支持向量机分类算法，将ISLTSA算法应用于齿轮箱的故障状态识别，实验分析验证了该方法的监督学习能力，可提高故障状态识别率，并具备增量学习能力，可降低维数约简方法的复杂度。<br>
来源：2018年第13期
《振动与冲击》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。