基于Matlab提取稀疏性度量、RQAM、AWSPT代码，以西安交通大学轴承2-3数据集为例

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

🔥 内容介绍

引言： 稀疏性度量是一种用于评估数据集中稀疏性的方法，可以帮助我们理解数据的特征和结构。RQAM（稀疏性度量的自适应权重算法）和AWSPT（自适应权重稀疏性度量的改进算法）是两种常用的稀疏性度量算法。本文将以西安交通大学轴承2-3数据集为例，介绍这两种算法的步骤和代码实现。

一、稀疏性度量 稀疏性度量是指通过计算数据集中非零元素的比例来评估数据集的稀疏性。稀疏性度量可以帮助我们了解数据集中的稀疏性程度，从而选择合适的算法进行处理。常用的稀疏性度量方法包括L0范数、L1范数和L2范数等。

二、RQAM算法步骤 RQAM算法是一种基于稀疏性度量的自适应权重算法，用于选择合适的权重矩阵。其步骤如下：

1. 初始化权重矩阵W为单位矩阵。

2. 计算数据集的稀疏性度量值，选择合适的度量方法。

3. 根据稀疏性度量值对权重矩阵W进行更新，使得稀疏性度量值最小化。

4. 重复步骤2和3，直到稀疏性度量值收敛或达到预设的迭代次数。

三、AWSPT算法步骤 AWSPT算法是一种改进的自适应权重稀疏性度量算法，用于进一步提高稀疏性度量的准确性。其步骤如下：

1. 初始化权重矩阵W为单位矩阵。

2. 计算数据集的稀疏性度量值，选择合适的度量方法。

3. 根据稀疏性度量值对权重矩阵W进行更新，使得稀疏性度量值最小化。

4. 根据更新后的权重矩阵W计算数据集的稀疏性度量值。

5. 如果新的稀疏性度量值比之前的值更小，则继续更新权重矩阵W；否则，停止迭代。

6. 重复步骤4和5，直到稀疏性度量值收敛或达到预设的迭代次数。

四、西安交通大学轴承2-3数据集 西安交通大学轴承2-3数据集是一个常用的实验数据集，用于测试稀疏性度量算法的性能。该数据集包含了轴承在不同工况下的振动信号，用于判断轴承的健康状态。通过对该数据集的稀疏性度量，可以更好地了解轴承的特征和结构。

五、代码实现 以下是RQAM算法和AWSPT算法的伪代码实现：

RQAM算法：

1. 初始化权重矩阵W为单位矩阵
2. 计算数据集的稀疏性度量值
3. while 稀疏性度量值未收敛 and 迭代次数小于预设次数:
4. 更新权重矩阵W
5. 计算新的稀疏性度量值
6. 输出最终的稀疏性度量值和权重矩阵W

AWSPT算法：

1. 初始化权重矩阵W为单位矩阵
2. 计算数据集的稀疏性度量值
3. while 稀疏性度量值未收敛 and 迭代次数小于预设次数:
4. 更新权重矩阵W
5. 计算新的稀疏性度量值
6. if 新的稀疏性度量值比之前的值更小:
7. 继续更新权重矩阵W
8. else:
9. 停止迭代
10. 输出最终的稀疏性度量值和权重矩阵W

结论： 稀疏性度量是一种重要的数据分析方法，可以帮助我们理解数据集的特征和结构。RQAM和AWSPT是常用的稀疏性度量算法，可以通过迭代更新权重矩阵来提高稀疏性度量的准确性。通过以西安交通大学轴承2-3数据集为例，我们可以更好地理解和应用这两种算法。

📣 部分代码

% This is an implementation example of the sparsity measures (SMs),% Adaptive SMs, and Ratio of different quasi-arithmetic means (RQAM) for% machine condition monitoring (especially focus on incipient fault% detection and degradation assessment). More details of this codes can% refer to the corresponding document titled "MATLAB Codes of Sparsity % Measures and New Statistical Indices and Their Application Examples % to Machinery Condition Monitoring"% % Hope this codes and the related document could accelerate the development% of machine condition monitoring as well as the more general PHM.% --------------------------% Author: Bingchang Hou% Time of this version: 2023-07% --------------------------%% Data loadingclc,clear all, close all​load XJTUBearing_2_3.mat % XJTU2_3Fs = 25600; Data = XJTU2_3; % Fs = 20000;%% Parameter assignment[L1,L2] = size(Data);variance = std(Data(:,1)); constantM = -2*variance*log(1-0.3); HealthySignal = Data(:,1);%% Run-to-failure assessmentfor i = 1:L2    Sig = Data(:,i);    SE = (abs(hilbert(Sig))).^2;​    % [f1,SES] = FreAm(SE,Fs);      % it is recommended to used SES(2:end) because SES(1) is the signal    % mean value, it not related to fault characteristic frequency (FCF) and     % may affect the quantification. ​%     PQMean(i)  = pqMean(SE,2,1);%     KurC(i) = kurtosisCM(Sig);%     KurR(i) = kurtosisRM(SE.^(1/2));%     NegativeEn(i) = NegEn(SE);%     BCSMValue(i) = BCSM(SE,1);%     GI(:,i) = GINI(SE,4);  % I = 4, It return original GI, and GI2, GI3%     GGIvalue(i) = GGI(SE,1);% %     Aaptive_SE = AWSPT(SE,HealthySignal,'SP',0.15);%     A_NegEn(i) = NegEn(Aaptive_SE);​​    SparMeaVect(:,i) = RQAMfeature(SE);  % It returns the SM feature vector, length =12​    FeatureVect(:,i) = RQAMfeature(SE,HealthySignal); % % It returns the adaptive     % SM feature vector whose length =11 and RQAM feature whose length is    % also 12. So, FeatureVect(1:12,i) is adaptive SM feature vector,    % FeatureVect(13:end,i) is RQAM feature vector    end%% Plot SM features for machine condition monitoringfigure,for i = 1:12    subplot(3,4,i), plot(SparMeaVect(i,:))end%% Adaptive SM features for machine condition monitoringfigure,for i = 1:12    subplot(3,4,i), plot(FeatureVect(i,:))end%% RQAM features for machine condition monitoringfigure,for i = 1:11    subplot(3,4,i), plot(FeatureVect(12+i,:))end​​​​

⛳️ 运行结果

🔗 参考文献

[1] B. Hou, D. Wang, T. Xia, Y. Wang, Y. Zhao, K. Tsui, Investigations on quasi-arithmetic means for machine condition monitoring, Mech. Syst. Signal Process. 151 (2021) 107451. https://doi.org/10.1016/j.ymssp.2020.107451

[2] B. Hou, D. Wang, Y. Wang, T. Yan, Z. Peng, K.-L. Tsui, Adaptive Weighted Signal Preprocessing Technique for Machine Health Monitoring, IEEE Trans. Instrum. Meas. 70 (2021) 1–11. https://doi.org/10.1109/TIM.2020.3033471

[3] B. Hou, D. Wang, T. Yan, Y. Wang, Z. Peng, K.-L. Tsui, Gini Indices Ⅱ and Ⅲ: Two New Sparsity Measures and Their Applications to Machine Condition Monitoring, IEEE/ASME Trans. Mechatronics. 4435 (2021) 1–1. https://doi.org/10.1109/TMECH.2021.3100532

[4] B. Hou, D. Wang, T. Xia, L. Xi, Z. Peng, K. Tsui, Generalized Gini indices: Complementary sparsity measures to Box-Cox sparsity measures for machine condition monitoring, Mech. Syst. Signal Process. 169 (2022) 108751. https://doi.org/10.1016/j.ymssp.2021.108751

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码、论文复现、期刊合作、论文辅导及科研仿真定制事宜

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面

卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合