模式分类识别 | 基于多特征融合和Adaboost-SVM分类
提出了特征融合方法,并且组合了传统手工提取的特征和基于机器学习的自动提取的特征,最后提出了改进的自适应增强算法,利用一系列支持向量机的弱分类器构建强分类器,实现了变工况和错误标签条件下的颤振检测分类。本文对颤振检测研究方法展开说明,介绍了颤振检测不同的方法和技术,包括传统的特征提取方法和基于机器学习的智能方法。适合于颤振检测、特征融合、信号处理研究领域者学习。
铣削过程中的不稳定颤振严重影响加工质量和效率。为了抑制或避免切削过程中的颤振,迫切需要颤振发生的检测。目前已有的颤振检测方法大多是通过提取信号特征来设计颤振指标,通常需要设计颤振指标的阈值,该阈值难以确定,且可能不适用于不同的切削条件。颤振检测本质上是一个典型的分类问题,因此本文提出了基于机器学习的铣削颤振检测方法。为了获得所需的数据集,进行了不同切削条件下的切削实验。颤振检测采用了时域和频域的无量纲特征,以及由堆叠降噪自编码器(Stacked-denoising autoencoder, SDAE)自动提取的特征。为了提高颤振分类的准确性,避免可能的样本标签错误带来的负面影响。利用支持向量机(Support vector machine, SVM)的一系列弱分类器组成的自适应增强(Adaboost)算法进行改进。实验验证和性能分析表明,该方法能较好地检测颤振,适用于不同的铣削条件。
规特征的选择高度依赖于操作者的经验。为此,提出了一种基于自动编码器(Autoencoder, AE)的特征提取策略。AE是由Rumelhart等人[39]开发的,被广泛用于输入信息的表示学习。AE本质上是一种特殊的神经网络,其结构如图5所示。输入层和隐藏层称为编码器,将输入信号 压缩到编码器输出的较小尺寸