目录
1.3主成分反映轴承故障分类效果明显!(数据集为10种轴承故障数据集)
1 KPCA(主成分分析)Matlab代码运行结果
1.1各主要成分的贡献率以及累积贡献率效果图
1.2降维得到的主要成分
1.3主成分反映轴承故障分类效果明显!(数据集为10种轴承故障数据集)
2.KPCA算法实现步骤
2.1加载数据
首先,我们需要加载需要进行KPCA处理的数据。本文加载的数据为经时域特征提取得到的15维轴承故障数据特征集(sptz.mat)(提取方法见另一篇文章:CSDN)
2.2数据预处理
将sptz.mat进行预处理,预处理的目的是使数据具有零均值和单位方差。
2.3确定核函数计算核矩阵
KPCA的核心是核函数,它用于将数据映射到高维特征空间。本文选择的为径向基核函数。
2.4计算特征向量和特征值
在进行KPCA之后,我们需要计算数据的特征向量和特征值。
2.5选择主成分个数。
本文是根据累积贡献率选择主成分的个数,通过设置参数的大小,可以得到主成分的个数。
代表在累计贡献率为90%以上的主成分个数。
2.6计算主成分贡献率
主成分的贡献率表示每个主成分对数据方差的解释程度。在MATLAB中,我们可以使用以下公式来计算主成分的贡献率: