【技术实现步骤摘要】
本专利技术涉及安全领域的系统故障分析，特别是涉及故障演化影响因素的权重确定，提供了一种基于半监督学习的故障演化影响因素权重确定方法。
技术介绍
1、系统故障演化过程是在多因素影响下系统实现预定功能的能力，是任何系统固有的属性。演化过程具有复杂的结构和层次，导致了演化过程的多样性和不确定性。演化过程又是系统内部特征对外部特征的影响。由于内部特征相对固定，而外部特征是运行时环境的变化，因此演化又具有一定规律性。演化的规律性源于内部特征的稳定性，多样性和不确定性源于运行环境的变化。系统运行时的因素种类及其数值变化是影响系统故障演化过程的关键，即因素变化是系统演化的动力。研究因素对系统故障演化过程的影响成为各领域研究的重点。特别是在安全、可靠性和系统科学的相关领域中，研究因素数量、种类、变化等对系统的影响是主要问题。对系统故障演化，不同因素及其变化必然导致系统功能性的变化，即系统响应不同。体现为因素影响演化过程的权重，即系统故障演化过程中的因素权重问题。目前通常方法是对系统演化进行测量，多次测量形成对象集合，将该对象集合作为基础数据分析各因素的权重。从而了解各因素在演化过程中的作用，并作为控制系统故障演化过程的关键参考项目，对安全及可靠性等研究有重要意义。
2、目前关于各类故障、事故、失效等过程的影响因素研究很多。这些成果对各类系统提出了卓有成效的影响因素分析方法，包括各类因素辨识、因素重要度和权重的研究。为后继研究奠定基础的同时也存在进一步发展的空间。因为系统故障演化过程是普遍存在于各类系统之中的。但由于结构和层次的复杂性
技术实现思路
1、本专利技术的目的在于提供一种基于半监督学习的故障演化影响因素权重确定方法，以解决现有技术中缺少可靠有效的故障演化影响因素的权重确定方法的技术问题。
2、本专利技术提供了一种基于半监督学习的故障演化影响因素权重确定方法，为研究实际系统故障演化过程得到的对象集合，确定各因素对演化的影响，基于半监督学习方法提出了因素权重确定方法；构建了7步骤的因素权重确定方法，包括建立基础数据矩阵，确定对象权重集合，建立标记数据矩阵，建立未标记数据矩阵，确定对象权重集合，确定特征向量和特征值，确定各因素权重；用于故障演化影响因素的权重确定。
3、因素权重确定方法步骤如下：
4、建立基础数据矩阵。设影响演化过程的因素集合为f＝{f1,…,fm}，m＝1,…,m，fm∈f，m是因素数量。在n个时刻测量形成的对象集合为o＝{o1,…,on}，n＝1,…,n，on∈o，n是对象数。对象on是该时刻所有因素值组成的向量，是对象on在因素fm下的因素值。形成基础数据矩阵γ如表1所示。
5、表1基础数据矩阵γ
6、
7、确定对象标签集合。将基础数据矩阵中具有明显特征的对象附加类标签，无明显隶属特征的对象不附加类标签。设对象标签集合为l＝[l1,...,ln]，ln为对象on的标签值，ln＝1,...,θ，θ为最大类别数和最大标签值；ln＝0时on无标签，ln＞0时on有标签，具体数值即为标签代表的类别。确定对象标签值的方法一般是基于人工的先经验分析，即先设定类标签值，判断一定属于该类的对象并赋予类标签；无法判断时类标签设为0。
8、基于基础数据矩阵γ和对象标签集合l建立标记数据矩阵γl，为标签值ln＞0的对象构成的矩阵。即在γ中存在且在l中ln＞0的对象构成的矩阵γl，因此γl＝{oi|oi∈γ,li∈l,li＞0,i＝1,...,n}。
9、未标记数据矩阵γu为标签值ln＝0的对象构成的矩阵。即在γ中存在且在l中ln＝0的对象构成的矩阵γv，因此γu＝{oi|oi∈f,li∈l,li＝0,i＝1,...,n}，γ＝γl∪γu。
10、确定对象权重集合wo＝[w1,...,wn]，wn代表对象on的权重。使用k近邻算法构建图形，使用heatkernel方式确定图中各边的权重分配方式确定各对象权重，如式(4)所示。
11、wo＝w(γl,opt) (4)
12、式中：opt为控制参数集合，包括邻近模式，距离模式，聚类数，权重模式。
13、基于mmp，综合γl和γv得到最优投影空间的特征向量v和特征值λ，调用函数形式如式(5)所示。
14、[v,λ]＝mmp(l,γl,γu,optm) (5)
15、式中：v＝[ν1,...,νm]为特征向量集合，λ＝[λ1,...,λm]为特征值集合；optm控制参数集合，包括对象权重wo，类内类间权重b∈[0,1]。
16、确定各因素权重wf。使用特征向量集合v和特征值集合λ求各因素的权重wf＝[w1,…,wm]，如式(6)所示。
17、
18、本专利技术的有益技术效果为：应用本专利技术提供的基于半监督学习的故障演化影响因素权重确定方法，能够可靠有效的确定故障演化影响因素的权重，从而可以根据权重的大小来采取措施控制演化过程。
本文档来自技高网...【技术保护点】
1.一种基于半监督学习的故障演化影响因素权重确定方法，其特征在于，为研究实际系统故障演化过程得到的对象集合，确定各因素对演化的影响，基于半监督学习方法提出了因素权重确定方法；构建了7步骤的因素权重确定方法，包括建立基础数据矩阵，确定对象权重集合，建立标记数据矩阵，建立未标记数据矩阵，确定对象权重集合，确定特征向量和特征值，确定各因素权重；用于故障演化影响因素的权重确定；
2.根据权利要求1所述的基于半监督学习的故障演化影响因素权重确定方法，其特征在于，
【技术特征摘要】
1.一种基于半监督学习的故障演化影响因素权重确定方法，其特征在于，为研究实际系统故障演化过程得到的对象集合，确定各因素对演化的影响，基于半监督学习方法提出了因素权重确定方法；构建了7步骤的因素权重确定方法，包括建立基础数据矩阵，确定对...
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。