关键词：随机邻域嵌入;Manhattan距离;拉普拉斯正则化度量学习;增量学习;故障诊断
摘 要：特征提取是机械故障诊断的基础,如何有效地获取故障特征信息是故障诊断领域的研究重点和热点。随着数据挖掘技术的不断发展,数据降维算法被引入到故障诊断领域用于信号的特征提取。本文针对故障诊断过程故障数据高维数、非线性化、复杂性等特点,研究基于随机邻域嵌入的机械故障特征提取方法,相关工作如下：针对欧氏距离在高维数据空间中不能提供较大的相对距离差,无法明显体现高维数据对象之间差异性的问题,提出一种基于Manhattan距离的随机邻域嵌入(Manhattan-SNE)算法。采用Manhattan距离衡量高维数据对象之间的相异度,得到高维空间和低维空间数据对象之间相似度的条件概率。UCI数据集和仿真故障信号...
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取