【技术实现步骤摘要】
本专利技术涉及数据分类方法的
，尤其是一种基于模糊核聚类高阶谱的数据 分类方法。
技术介绍
数据分类方法在各个领域都有着广泛的应用，如机械的故障识别、医学心音信号 的识别与判决、图像识别与归类、信号特征识别等。如在故障诊断领域，故障诊断过程其实 就是对不同类别的故障特征进行分类的过程，属于数据分类的范畴。 在以机器学习为代表的数据分类方法中，包括人工神经网络、支持向量机等，其基 本原理都是通过机器模拟人的思维方式去学习某些类别特征，并建立稳定可靠的类别特 证库，然后用测试样本去与类别特征库进行对比以判断其类别归属。这种方法对样本数量 的要求较高，当样本数量不稳定或者样本数量较少时，难以达到较好的学习效果，因而建立 的类别特征不具有代表性，容易产生类别识别错误，进而出现数据分类错误。
技术实现思路
本专利技术的目的在于解决样本数量不稳定或者样本数量较少时，也能较好完成数据 分类，提出了，该方法克服了样本数量不稳定 或样本数量较少的情况下数据分类存在的问题，在样本数量不稳定或样本数量较少时也能 有效地提取类别特征，获得较好的分类效果。 本专利技术解决其技术问题所采用的技术方法是： a对原始信号进行预处理，得到学习样本和训练样本； b对步骤a所得的学习样本和训练样本进行高阶谱分析，得到各自的高阶谱分析 结果； C对步骤b所得的学习样本和测试样本的高阶谱分析结果进行模糊阈值处理，分 别得到其模糊阈值处理结果； d对步骤C所得的学习样本的模糊阈值处理结果进行模糊核聚类处理，获取其模 糊核聚类类...
【技术保护点】
一种基于模糊核聚类高阶谱的数据分类方法,其分类方法包括(a)、(b)、(c)、(d)、(e)五个步骤，其特征是：(a)对原始信号进行预处理，得到已知共计m类的数据，每一类数据取出n段数据，则得到m×n段供训练使用的学习样本，记为L(i,j)(其中i＝1,...,m，j＝1,...,n)；对于待分析类别的数据，取k段作为测试样本以供测试使用，记为T(i)(其中i＝1,...,k)。其中，每段数据的长度l可以根据计算条件确定；(b)高阶谱分析运算：Bx(ω1,ω2)=Στ1=-∞+∞Στ2=-∞+∞c3x(τ1,τ2)e-j(ω1τ1+ω2τ2)---(1)]]>式中，c3x为随机变量x的3阶累积量，Bx(ω1，ω2)为输出的高阶谱结果；学习样本L(i,j)的高阶谱分析结果记为BL(i,j)(ω1，ω2)(其中i＝1,...,m，j＝1,...,n)，测试样本T(i)的高阶谱分析结果记为BT(i)(ω1，ω2)(其中i＝1,...
【技术特征摘要】
1. 一种基于模糊核聚类高阶谱的数据分类方法，其分类方法包括（a)、（b)、（c)、（d)、 (e)五个步骤，其特征是： (a) 对原始信号进行预处理，得到已知共计m类的数据，每一类数据取出η段数据，则 得到mXn段供训练使用的学习样本，记为L(i,j)(其中i= 1，. . .，m，j= 1，. . .，η);对于 待分析类别的数据，取k段作为测试样本以供测试使用，记为T(i)(其中i= 1，. . .，k)。其 中，每段数据的长度1可以根据计算条件确定； (b) 高阶谱分析运算：式中，c3x为随机变量X的3阶累积量，Bx(Q1,ω2)为输出的高阶谱结果； 学习样本L(i,j)的高阶谱分析结果记为BuU(O1,ω2)(其中i= 1，. . .，m，j= 1，· · ·，η)，测试样本T(i)的高阶谱分析结果记为BT(i) (O1,ω2)(其中i= 1，· · ·，k); (c) 模糊阈值处理，对步骤（b)中的高阶谱分析结果ρω2)和Bt⑴（O1,ω2) 分别进行如下运算：式中，Βχ(ωι，ω2)为高阶谱分析结果，N为该高阶谱分析结果的长度，T为阈值...
【专利技术属性】
技术研发人员：刘文艺，张昱，韩继光，杨存智，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。