特征选择
文章平均质量分 70
机器鱼
这个作者很懒,什么都没留下…
展开
-
Python-实战:基于白鲸BWO算法的VMD超参数优化
其灵感来源于白鲸的群体觅食行为,具有3个阶段,分别是:探索、开发、鲸落,如下。当分解数K较小时,可能导致信号分解不足,趋势项中混入其他干扰项,导致包络熵值变大。因此,将分解出的IMF中的最小的那个熵(局部包络熵)最小化时,VMD分解为最佳。因此,应用VMD对信号进行分解后,计算每个子序列的包络值,包络最小的序列为所分解序列的趋势项。那么如何去找到局部包络熵,就需要用到白鲸优化算法,当前其他的优化算法都是可以实现的。的基础上,本文利用白鲸优化算法对VMD的参数进行优化,采用python实现。原创 2022-12-21 14:09:30 · 4313 阅读 · 5 评论 -
MATLAB实战:人工大猩猩部队GTO优化共振稀疏分解RSSD超参数
共振稀疏分解是振动信号中脉冲成分提取的方法。与基于频率的信号处理方法不同,该方法同时参考频率和带宽两个因素,从而在分离信号不同成分的过程中能够很好处理信号不同成分的重叠问题。然而共振稀疏分解的分解效果 受到品质因子Q、权重系数A以及拉格朗日乘子mu的主观选择影响。针对共振稀疏分解RSSD在振动信号分解过程中,分解效果受到多参数随机选择影响的缺陷,提出基于人工大猩猩部队优化算法的共振稀疏分解超参数优化算法,运用最小化相关峭度指标来作为适应度函数。原创 2022-11-10 08:14:38 · 1182 阅读 · 2 评论 -
Python-实战:基于鲸鱼WOA的VMD超参数优化
在VMD--变分模态分解的使用中,他的k和alpha对分解结果影响很大,大量文章对这两个参数进行 了优化选择,比如通过分析模态的fft频谱,有通过优化算法的优化选择,网上也有少量matlab案例,但python的基本上没有,针对这个,本人写了一个python版本的。原创 2022-11-09 08:34:41 · 5272 阅读 · 5 评论 -
基于特征选择(PSO+CTree)的网络入侵检测
KDD数据作为常用的网络入侵检测数据集,原始数据集共41个特征值,包括部分字符型特征,通常我们会常用onehot编码的方法将这些字符型特征转为onehot数值型特征,举个列就是:特征1包含【A B C】三种字符型特征值,采用one-hot处理就删掉特征1,然后新增3个特征,原来含A的就变成了1 0 0 含B的变成了0 1 0 含C的变成了0 0 1 ,如下图1所示:...原创 2020-07-30 09:42:41 · 1744 阅读 · 3 评论