基于元学习的航空电子设备特征选择算法推荐方法

为了对航空电子设备的测试数据进行有效约简, 去除冗余信息和不相关特征, 基于机器学习领域现有的特征选择算法, 提出了一种元学习框架下的航空电子设备特征选择算法推荐方法。所提方法旨在根据不同航空电子设备测试数据所蕴含的信息, 推荐合适的特征选择算法。首先, 分析了数据集特征的描述方法。然后, 介绍了采用综合度量指数的算法性能评价方法。最后, 给出了特征选择算法推荐方法的框架。使用42个航空电子设备的测试数据和13个过滤型特征选择算法建立了元数据库, 采用留一法进行交叉验证, 推荐命中率达到了90%以上, 推荐性能比例达到97%以上。     

基于样本重采样的电路非平衡数据预处理方法

针对机载设备电子电路故障状态测试数据少、整体测试数据不均衡的问题,提出了一种基于样本重采样的数据预处理方法。首先，采用超限学习机对原始数据集进行训练以挑选出分类准确的样本。然后，对其中的少数类和多数类分别采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)进行过采样和局部密度欠采样处理;并将错误分类的多数类样本作为干扰因素进行删除。通过以上两种手段可以均衡数据集,并控制数据规模防止过拟合,提高对故障样本的检测率。实测数据处理结果表明,相比于其他重采样算法,所提算法整体效果优良且稳定,对电子电路故障诊断具有一定的应用价值。     

基于证据特征的区间证据合成方法研究

基于区间值的证据合成理论可以有效地描述和处理不确定性问题,针对目前区间证据合成方法存在融合失效的问题,分析了其产生的原因并提出新的区间证据组合方法。对证据源本身的特征进行提取,依此对证据进行修改,并提出两种优化方法用于区间信度结构下的证据合成。数值实验结果表明,提出的方法收敛性、鲁棒性较好,在面对冲突区间证据融合时得到了合理的结果。     

基于改进奇异谱分析的信号去噪方法

传统的去噪方法,比如小波阈值去噪,它只对高斯噪声有效,对于脉冲噪声却无能为力.近年来发展起来的奇异谱分析方法可以在高信噪比的条件下很好地滤除上述两类噪声,但该方法降噪过程涉及了一定的主观因素,并且受矩阵扰动理论的限制,该方法随着信噪比的降低,去噪能力也随之下降.针对上述情况,提出一种改进算法,将矩阵秩最小化理论应用于奇异谱分析方法中.仿真结果表明,改进算法去噪效果明显,能够最大限度降低信号均方误差,提高信噪比,增强奇异谱分析方法的通用性.      

基于样本重采样的电路非平衡数据预处理方法

针对机载设备电子电路故障状态测试数据少、整体测试数据不均衡的问题,提出了一种基于样本重采样的数据预处理方法。首先，采用超限学习机对原始数据集进行训练以挑选出分类准确的样本。然后，对其中的少数类和多数类分别采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)进行过采样和局部密度欠采样处理;并将错误分类的多数类样本作为干扰因素进行删除。通过以上两种手段可以均衡数据集,并控制数据规模防止过拟合,提高对故障样本的检测率。实测数据处理结果表明,相比于其他重采样算法,所提算法整体效果优良且稳定,对电子电路故障诊断具有一定的应用价值。