一种基于遗传算法优化模糊C均值的电特性信号聚类方法技术

本发明专利技术涉及一种基于遗传算法优化模糊C均值的电特性信号聚类方法。包括：读取历史数据(102)，根据LSTM

【技术实现步骤摘要】
一种基于遗传算法优化模糊C均值的电特性信号聚类方法


[0001]本专利技术涉及一种基于遗传算法优化模糊C均值的电特性信号聚类方法。

技术介绍

[0002]飞行器电特性监测系统中的识别与健康状态判读是航天探测器领域的关键问题。飞行器电子负载系统具有复杂和不确定的系统结构，常见信号如滚动、俯仰、偏航等经常发生突变。在这种情况下，模糊C均值的电特性信号聚类方法提供了一种有效的分析工具，通过对信号进行聚类分析，帮助准确识别故障起因，实现对飞行器电子负载系统的健康状态判读。而在模糊c均值聚类之前，通过添加LSTM
‑
SAE网络，用于序列数据的特征提取和重建，增强时序建模和特征学习能力，添加遗传算法可以自动参数优化，减少人工干预。

技术实现思路

[0003]为了解决现有飞行器电特性监测识别并分类的测试数据量大，特征维数高，样本少等问题，本专利技术提供了一种基于遗传算法优化模糊C均值的电特性信号聚类方法，有效实现了寻找同一种类电信号的中心，既是寻找该类电信号的普遍形式，有助于后续提升飞行器电特性监测识别并分类的准确率。
[0004]本专利技术的有益效果包括：
[0005]1.自动优化参数：遗传算法可以自动搜索和优化LSTM
‑
SAE和模糊C均值算法的参数，无需手动调节。通过遗传算法的选择、交叉和变异操作，可以找到更优的参数设置，提高模型性能和聚类效果。
[0006]2.考虑序列特征：LSTM
‑
SAE能够捕捉时间序列数据中的长期依赖关系，通过自编码器的训练过程提取有效的序列特征。这些序列特征可以作为输入，结合模糊C均值算法进行聚类，更好地反映数据的内在结构。
[0007]3.解决高维数据问题：遗传算法和模糊C均值算法的结合能够应对高维数据聚类问题。遗传算法通过优化参数和隶属度矩阵，减少维度对聚类结果的影响，提高聚类的准确性和稳定性。
[0008]4.兼顾全局和局部信息：LSTM
‑
SAE能够学习到数据中的全局和局部特征，结合模糊C均值算法可以综合考虑数据的整体分布和局部聚集性。这样可以避免传统聚类方法容易陷入局部最优的问题，提高聚类结果的全局性和鲁棒性。
附图说明
[0009]图1显示了根据本专利技术的一种基于遗传算法优化模糊C均值的电特性信号聚类方法流程图。
具体实施方式
[0010]根据本专利技术的一个方面，提供了一种基于遗传算法优化模糊C均值的电特性信号
聚类方法，其特征在于包括：
[0011]1.数据收集：收集飞行器电气系统的电特性信号数据，包括电流、电压、功率等参数的测量值，
[0012]2.特征提取：从收集到的信号数据中提取出有代表性的特征，本方法采用LSTM
‑
SAE进行特征提取，优势在于其能够有效建模序列数据的时序关系，同时通过预训练和微调阶段自动学习输入数据的高级抽象特征表示，提供更好的特征表达能力，
[0013]3.初始化模糊化：对提取到的特征进行模糊化处理，将其转化为隶属度矩阵，表示每个数据点属于各个聚类簇的隶属程度，
[0014]4.初始化聚类中心：随机初始化一组聚类中心，代表每个聚类簇的中心点，
[0015]5.应度评估：对每个个体应用模糊C均值算法进行聚类，将模糊化的特征和聚类中心作为输入，计算每个个体的适应度值，适应度值可以根据模糊C均值算法中的目标函数(如最小化隶属度加权误差)来评估，6.选择操作：根据个体的适应度值，采用选择操作选择一部分个体作为父代，用于下一代的交叉和变异操作，
[0016]7.交叉操作：对选择出的父代个体进行交叉操作，生成新的子代个体，交叉操作可以是单点交叉、多点交叉等，
[0017]8.变异操作：对交叉后的子代个体进行变异操作，引入一定的随机性，增加个体的多样性，
[0018]9.更新群体：将生成的子代个体与原始群体合并，形成新的群体，10.终止条件判断：根据预设的终止条件(如达到最大迭代次数或满足一定的收敛条件)，判断是否终止算法，
[0019]11.异常检测和诊断：根据终止条件，选择最优的个体作为聚类结果，利用该聚类结果可以进行飞行器电气系统的异常检测和诊断，例如，通过比较新采集到的信号数据与已有的聚类结果，可以判断当前飞行器电气系统的状态是否正常或存在异常情况。
[0020]其中几个具体模块介绍：
[0021]特征提取
[0022]LSTM
‑
SAE特征提取模块用于从航天探测器电特性历史数据中提取高级抽象特征表示。通过LSTM
‑
SAE网络的预训练和微调阶段，自动学习数据中的时序模式和动态变化。通过优化LSTM
‑
SAE网络结构和参数，获得更准确的特征提取能力，帮助识别关键事件和减少不明确的样本，提高特征表示的质量和稳定性，为后续的航天探测器电特性分析和预测任务提供更可靠的输入。
[0023]遗传算法
[0024]遗传算法模块用于优化模糊C均值算法中的参数和隶属度矩阵。通过遗传算法的选择、交叉和变异操作，搜索最优的个体，以提高聚类性能。相比于传统的聚类方法，遗传算法能够自动调节模糊C均值算法的参数，减少人工工作量。通过优化，可以获得更准确的聚类中心和隶属度矩阵，从而实现对航天探测器电特性历史数据的有效聚类，帮助识别事件和减少不明确的样本，提高聚类结果的质量和稳定性。
[0025]聚类模块。
[0026]通过模糊C均值的电特性信号聚类方法，通过对航天探测器电特性历史数据进行聚类操作，获取事件聚类中心。相比于一般的聚类方法，使用模糊C均值聚类方法能够获取
隶属矩阵，只有隶属状况不明确的样本需要，从而能够大大减少人工工作量
[0027]根据本专利技术的一个实施例的一种基于遗传算法优化模糊C均值的电特性信号聚类方法的流程图如图1所示，其包括：
[0028]当飞行器信号要进行聚类分析时(101)，读取历史数据(102)，根据LSTM
‑
SAE进行特征提取和重建，随后根据遗传算法初始化种群(104)，随机产生隶属矩阵U(105)，通过遗传算法的选择、交叉和变异操作，搜索最优的个体，以提高聚类性能(106)，并计算C类别聚类中心(107)，，根据计算结果计算价值函数J并更新隶属矩阵U(108)，如果J大于阈值(109)，则输出U和聚类中心(110)，否则重新进行遗传算法搜索(106)。
[0029]遗传算法用于优化模糊C均值算法的参数和隶属度矩阵。遗传算法通过选择、交叉和变异操作来搜索最优的个体，以提高聚类性能。优化过程中，遗传算法自动调节模糊C均值算法的参数，减少了人工工作量。通过优化，可以获得更准确的聚类中心和隶属度矩阵，从而实现对航天探测器电特性历史数据的有效聚类，帮助识别事件和减少不明确的样本，提高聚类结果的质量和稳定性。
[0030]遗传算法的实施步骤如下：
[0031]初始化种群：随机生成初始个体，表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法优化模糊C均值的电特性信号聚类方法，其特征在于包括：A1)读取历史数据(102)，A2)根据LSTM
‑
SAE进行特征提取和重建，A3)随后根据遗传算法初始化种群(104)，A4)随机产生隶属矩阵U(105)，A5)通过遗传算法的选择、交叉和变异操作，搜索最优的个体，以提高聚类性能(106)，A6)计算C类别聚类中心(107)，A7)根据步骤A6的计算结果，计算价值函数J并更新隶属矩阵U(108)，A8)进行判断，其中：如果J大于阈值(109)则输出U和聚类中心(110)，否则返回步骤A5，其中：步骤A5包括：A51)初始化种群：随机生成初始个体，表示模糊C均值算法的参数和...

【专利技术属性】
技术研发人员：李可，陈家骜，武昊鹏，李鹏蛟，阚艳，庞丽萍，杨顺昆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：