文件名称：论文研究-基于Manhattan距离与随机邻域嵌入的故障特征提取算法.pdf
文件大小：1.59MB
文件格式：PDF
更新时间：2022-08-11 14:37:40
随机邻域嵌入,欧氏距离,Manhattan距离,故障特征提取
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。