基于多视图加权聚类集成的高速列车工况识别

随着中国高速列车行业的快速发展,高速列车运行所产生的安全隐患问题引发了更多的关注.由于利用传感器所采集到的高速列车监测数据具有非线性、非平稳的特点,导致故障工况难以识别,为此提出一种基于加权非负矩阵的多视图聚类集成模型(weighted non-negative matrix factorization,WNMF)来对车体走行部的故障工况进行识别.首先,对振动信号进行频域、时频域、时域的分析,通过快速傅里叶变换、小波包能量、经验模态分解的近似熵和模糊熵、机械统计特征四个方面提取特征向量,构建四个特征视图;其次进行K-means聚类,得到每个视图的结果;再通过聚类成员的贡献度和相似度分别求取各视图的两种权值;最后进行加权的非负矩阵分解集成.实验结果表明,该模型能够有效地识别高速列车的故障工况.     

面向中文专利SAO结构抽取的文本特征比较研究

针对中文专利文本中SAO结构实体关系抽取问题, 使用支持向量机的机器学习方法进行关系抽取实验, 分别对基本词法信息、实体间距离信息、最短路径闭包树句法信息以及词向量信息等特征的有效性进行验证分析。实验结果表明, 基本的词法信息能够明显提高关系抽取性能, 而句法信息没有显著提高关系抽取效果。此外, 也验证了词向量在SAO结构关系抽取中的可行性。