基于分位数特征提取的时间序列模式分类

doi:10.3969/j.issn.1000-3428.2015.03.032

计算机工程

基于分位数特征提取的时间序列模式分类

管河山^a,王　谦^a,唐德文^b

　 (南华大学a. 经济管理学院; b. 机械工程学院,湖南衡阳421001)

收稿日期:2014-03-26 出版日期:2015-03-15 发布日期:2015-03-13
作者简介:管河山(1981 - ),男,副教授、博士,主研方向:数据挖掘,模式识别;王　谦,硕士研究生;唐德文,副教授、博士。
基金项目:
湖南省博士后基金资助项目(2012RS4026);南华大学校博士启动基金资助项目(2009XQD03)。

Time Sequence Pattern Classification Based on Quantile Feature Extraction

GUAN Heshan^a ,WANG Qian ^a ,TANG Dewen ^b

(a. School of Economics Management; b. School of Mechanical Engineering,University of South China,Hengyang 421001,China)

Received:2014-03-26 Online:2015-03-15 Published:2015-03-13

摘要/Abstract

摘要： 高速运行的离心机设备,其振动状态检测数据通常呈现出明显的非线性、正态分布和大样本的特征,数据波动的随机性使得其趋势特征难以捕捉。为此,提出一种新的时间序列模式分类方法。采集离心机设备运行状态的振动信号时间序列进行分析,根据对称原理提取序列数据的分位数,构建特征向量,采用欧氏距离函数构建相似性度量,建立模式分类的判定依据,使用k-means 分类算法实现状态模式的自动分类。仿真结果表明,该方法能有效区分离心机设备运行中空载和负载的模式状态,且比传统的小波分析模式分类方法更加准确。

关键词: 分位数, 时间序列, 模式分类, 离心机, 振动信号, 小波

Abstract: The vibration state detection data from the centrifuge equipment in high-speed operation usually presents obvious nonlinearity,normal distribution and the characteristics of large sample,and random fluctuations in the data make it difficult to capture the trend characteristics. In this paper,time sequence theory is used to analyze the vibration signal data gathered from the running centrifuge equipment. It uses the quantile of the sequence data to build the feature vector according to the symmetrical principle,and introduces the Euclidean distance function to construct similarity measure,and then sets up the decision basis for pattern classification, realizes the pattern classification employing the k-means classification algorithm. Simulation results show that this method can effectively distinguish the partial load state and noload state of the centrifuge equipment,which is more accurate than that of wavelet analysis method.

Key words: quantile, time sequence, pattern classification, centrifugal machine, vibration signal, wavelet

中图分类号:

TP391. 4

管河山,王谦,唐德文. 基于分位数特征提取的时间序列模式分类[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2015.03.032.

GUAN Heshan,WANG Qian,TANG Dewen. Time Sequence Pattern Classification Based on Quantile Feature Extraction[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2015.03.032.

[1]	马鹏, 王泽宇, 钟卫东, 王绪安. 基于改进小波包分解的相关功耗攻击降噪方法[J]. 计算机工程, 2020, 46(7): 129-135,142.
[2]	史明阳, 王鹏, 汪卫. 有监督时间序列分割与状态识别算法[J]. 计算机工程, 2020, 46(5): 131-138.
[3]	梁猛, 史晓霜. 基于二阶Newton插值的莫尔条纹消除算法[J]. 计算机工程, 2020, 46(5): 259-266.
[4]	衡红军, 刘静. 基于混合方法的多维时间序列驾驶异常点检测[J]. 计算机工程, 2020, 46(3): 99-104.
[5]	周骑骏, 王鹏, 汪卫. DSI:一种基于动态分段的时间序列查询索引[J]. 计算机工程, 2020, 46(2): 88-95.
[6]	谢坤, 容钰添, 胡奉平, 陈桓, 姚小龙. 基于数据集成的随机森林算法[J]. 计算机工程, 2020, 46(12): 290-298.
[7]	姚博凡, 邓红平, 蔡铭. 基于随机抽样GMM的城市交通运行状态模式分类[J]. 计算机工程, 2020, 46(12): 36-42.
[8]	廖含月, 曾剑平, 吴承荣. 一种多模型集成的网络论坛流量预测模型[J]. 计算机工程, 2020, 46(12): 60-66,72.
[9]	王亮, 王敏, 王晓鹏, 罗威, 冯瑜. 基于流式计算的网络排队时延预测技术研究[J]. 计算机工程, 2020, 46(10): 289-293,300.
[10]	夏永生, 王晓蕊, 白鹏, 李梦梦, 夏阳, 张凯. 基于时序和距离的门控循环单元兴趣点推荐算法[J]. 计算机工程, 2020, 46(1): 52-59.
[11]	高宁化, 王姮, 冯兴华. 基于动态模糊决策树的心电信号分类方法[J]. 计算机工程, 2020, 46(1): 80-86.
[12]	郝占军, 段渝, 党小超, 曹渊. 基于信道状态信息的人体复杂动作识别方法[J]. 计算机工程, 2020, 46(1): 286-293.
[13]	邓玉婧, 武志昊, 林友芳. 基于多粒度时间注意力RNN的航班客座率预测[J]. 计算机工程, 2020, 46(1): 294-301.
[14]	王慧健, 刘峥, 李云, 李涛. 基于神经网络语言模型的时间序列趋势预测方法[J]. 计算机工程, 2019, 45(7): 13-19,25.
[15]	李廷顺, 王伟, 刘泽三. 考虑不确定区间的电力负荷GELM-WNN预测方法[J]. 计算机工程, 2019, 45(7): 315-320.

基于分位数特征提取的时间序列模式分类

Time Sequence Pattern Classification Based on Quantile Feature Extraction

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10