稀疏表示与非负矩阵分解（4）-轴承故障振动信号的时频谱的非负矩阵分解

Robo-网络矿产提炼工

已于 2023-02-24 17:00:13 修改

阅读量413

点赞数 1

分类专栏：风机关键部件以及轴承故障诊断纳米摩擦发电传感振动分析-与高阶计算机视觉技术文章标签： python 矩阵开发语言

于 2023-02-23 23:33:26 首次发布

本博客为个人撰写，未经商业授权严禁转载！

本文链接：https://blog.csdn.net/u013537270/article/details/129114516

版权

风机关键部件以及轴承故障诊断同时被 2 个专栏收录

52 篇文章 111 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

纳米摩擦发电传感振动分析-与高阶计算机视觉技术

29 篇文章 5 订阅 ¥99.90 ¥299.90

订阅专栏

本文介绍了非负矩阵分解(NMF)的概念及其在振动信号时频谱分析中的应用。通过文献【3】解读，展示了SMNMF方法如何利用图的半监督学习进行层次故障属性表示，提高航空发动机轴承和柴油发动机故障诊断的准确性。虽然SMNMF存在迭代过程的局部最优解和处理数据量有限的问题，但其在故障位置和尺寸的区分上表现出良好的效果。

摘要由CSDN通过智能技术生成

1. 什么是非负矩阵分解

非负矩阵分解(Nonnegative Matrix Factorization)，简称NMF，是由Lee和Seung于1999年在自然杂志上提出的一种矩阵分解方法 [1] ，它使分解后的所有分量均为非负值(要求纯加性的描述)，并且同时实现非线性的维数约减。NMF已逐渐成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。

2. 应用场景

因为纯加性的和稀疏的描述能使对数据的解释变得方便(少量活跃的分量使数据的组成方式变得清晰)与合理(许多物理信号中不可能存在负饷成分)，还因为相对稀疏性的表示方式能在一定程度上抑制由外界变化(如：部分遮挡、光照变化和物体的旋转等)给特征提取带来的不利影响，所以NMF已逐渐成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。
具体说，它日前已被应用到文本分析与聚类、数字水印、人脸检测与识别、图像检索、图像复原、语言建模、声源分类、音乐信号分析与乐器识别、盲信号分离、网络安全、基因及细胞分析等的研究中。