Pyhon在振动信号处理中的高级应用（十）：监督式特征的选择方法（Fisher Score、ReliefF）

已于 2022-04-23 15:11:00 修改
阅读量4.1k 收藏 3
点赞数
分类专栏： Pyhon在振动信号处理中的高级应用 文章标签： 算法 python 机器学习
于 2022-04-03 19:50:24 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/pengchen_wuhan/article/details/122373332
版权
本文介绍了在振动信号处理的监督式故障诊断中，如何使用Fisher Score和ReliefF进行特征选择。通过计算原理和Python实现，详细解释了这两种方法如何帮助去除无关和冗余特征，提升故障诊断效率。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

一、概述

  前文对如何对振动信号进行降噪处理及如何提取振动信号特征已经进行了较为系统的介绍，下面我们接着往下走，开始进入特征选择阶段。特征选择即对振动信号特征去除无关和冗余特征，实现维数的约减。当完成特征选择后，我们只需要采集和计算这些相关特征即可，可以大大提升故障诊断效率。
  目前，根据是否已知故障类别，我们可以将基于振动信号的故障诊断分为监督式和非监督式两种。对于监督式我们常采用Fisher Score、ReliefF、F_Score、Chi-square Score、mRMR方法，而对于非监督式，我们常采用Laplacian Score、Category Utility、Expectation Maximisation和Q- α \alpha

了解本专栏 订阅专栏 解锁全文
Pyhon在振动信号处理中的高级应用（八）：主分量分析（PCA）噪声压缩
白银时代的博客
01-08 3269
文章目录一、概述二、算法原理三、python实现四、Tips 一、概述   主成分分析，是考察多个变量间相关性一种多元统计方法，研究如何通过少数几个主成分来揭示多个变量间的内部结构，即从原始变量中导出少数几个主成分，使它们尽可能多地保留原始变量的信息，且彼此间互不相关，也可以理解为将原信号进行压缩。   在对原信号进行PCA压缩的过程中，噪声也同样被压缩，再对PCA结果重新恢复时，因为PCA过程保留了原信号主成分，因此信号主要特征得到了保留，而噪声信号已被压缩而无法恢复，这就是PCA去噪的原理。 二、算法原
Pyhon在振动信号处理中的高级应用（十一）：监督式特征的选择方法（F_Score、Chi-square Score、mRMR）
白银时代的博客
04-04 1947
一、概述   本章节我们继续讨论和实现监督式故障诊断的特征选择算法（F_Score、Chi-square Score、mRMR方法），纯手撸代码，谢谢大家支持。 二、F_Score原理及实现 2.1 F_Score计算原理   F-score是特征选择中比较简单和有效的方法，也是很常用的一种方法。   第 i\mathrm{i}i 个特征的F-score的计算公式如下所示: F(i)≡(x‾i(+)−x‾i)2+(x‾i(−)−x‾i)21n+−1∑k=1n+(xk,i(+)−x‾i(+))2+1n−−1∑
特征选择之Fisher Score算法思想及其python代码实现
热门推荐
qq_39923466的博客
07-16 1万+
一、算法思想 1、特征选择 特征选择是去除无关紧要或庸余的特征，仍然还保留其他原始特征，从而获得特征子集，从而以最小的性能损失更好地描述给出的问题。 特征选择方法可以分为三个系列：过滤式选择、包裹式选择和嵌入式选择的方法 。 本文介绍的Fisher Score即为过滤式的特征选择算法。 关于过滤式的特征算法系列，可参考我的其他文章。 特征选择之卡方检验 特征选择之互信息 2、Fisher score 特征选择中的Fisher Score Fisher Score是特征选择的有效方法之一, 其主要思想是鉴别性
Python在振动信号处理中的应用（四）：振动信号时域滤波处理（IIR、FIR）
白银时代的博客
11-14 6311
文章目录一、概述二、算法原理2.1 数字滤波的时域方法简介2.1.1 时域滤波器的设计步骤2.1.2 IIR滤波器和FIR滤波器设计原理2.1.3 滤波器原型产生函数 一、概述   在振动信号分析中，数字滤波是通过数学运算的方法从采集信号中选取人们感兴趣的一部分信号的处理方法。数字滤波的主要作用有滤除测试信号中的噪声或虚假成分、提高信噪比、平滑分析数据、抑制干扰信号、分离频率分量等。用软件实现数字滤波的优点是系统函数具有可变性，仅依赖于算法结构，并易于获得比较理想的滤波性能。所以软件滤波在滤波器的使用中起到
Fisher Score 计算属性重要度Python实现
DeniuHe的博客
12-22 3943
'''计算Fisher score''' import numpy as np from sklearn import datasets from sklearn.svm import SVC from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score class fisherscore(): def __init__(self, X, y): s.
无监督学习处理振动信号
09-03
- *1* *2* [Pyhon在振动信号处理中的高级应用（十）：监督式特征的选择方法（Fisher Score、ReliefF）](https://blog.youkuaiyun.com/pengchen_wuhan/article/details/122373332)[target="_blank" data-report-click={"spm...
python实战故障诊断之CWRU数据集（五）：线性判别模型及二次判别模型的应用
白银时代的博客
09-01 1430
本章节通过分析轴承振动数据得到了系列信号特征，采用fisher_score方法，获取了两个敏感特征，最后采用线性判别模型及二次判别模型获取了故障尺寸的分类模型。
python处理扭振信号
白银时代的博客
11-20 2095
python处理扭振信号一、概述 一、概述 扭转振动是旋转机械轴系一种特殊的振动形式，它本质上是由于轴系存在弹性，当曲轴在以平均速度进行的旋转过程中，各弹性部件间会因各种原因而产生不同大小、不同相位的瞬时速度的起伏，形成沿旋转方向的来回扭动。 在轴系振动测试过程中，可以通过齿轮盘或码带测试轴系的瞬时转速，通过一系列计算，如图1，最终得到轴系振动的阶次谱。 Created with Raphaël ...
matlab_fisher score_用于特征选择的方法
04-19
【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：matlab_fisher score_用于特征选择的方法 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员
Pyhon在振动信号处理中的高级应用（一）：振动信号特征（时域、频域）提取
白银时代的博客
01-02 1万+
文章目录一、概述二、算法原理2.1 时域统计特征三、python代码实现 一、概述 二、算法原理   这里我们借鉴西安交通大学机械学院雷教授的论文《Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs》相关研究成果。雷教授在论文中共列举了4类共24种振动信号的时域和频域特征。 2.1 时域统计特征 p1=∑n=1Nx(n)NP2=∑n=1N(x(n)−p1)2N−1p3=(∑n=1N∣x(n)∣N
(python)基于振动信号的滚动轴承故障诊断.zip
05-06
基于振动信号的滚动轴承故障诊断; 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。 毕设研究课题：根据轴承的振动序列数据来诊断轴承故障。
feature_rank(Input,​labels,numIndices,m​ethod):计算特征的Fisher分数判别系数的函数-matlab开发
06-01
此函数计算特征的 Fisher 分数或判别系数。 它可以用于两类特征选择场景。
python实现信号时域统计特征提取代码
09-17
今天小编就为大家分享一篇python实现信号时域统计特征提取代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
轴承故障诊断+1DCNN+深度学习+故障分类
02-09
基于1DCNN的轴承故障诊断，在CWRU数据集上进行验证，下载即可跑通，可作为baseline。同时具有抗噪实验功能，能输出各个混淆矩阵、训练时间和测试时间。 有详细注释，同时可讲解代码。 参考毕业论文《基于卷积神经网络的轴承故障诊断算法研究_张伟》 参考github: https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis
vibration-analysis-using-adxl345-python:一个基于Raspberry Pi的数据采集系统，用于测量由于滚珠轴承旋转而引起的振动。 数据分析在基于过去的振动数据预测轴承故障中的应用
05-02
使用ADXL345进行振动分析 关于项目 所有旋转机械都会产生与机械动力学有关的振动，例如旋转零件的对齐和平衡。 测量某些频率下的振动幅度可以提供有关轴对中和平衡的精度，轴承或齿轮的状态以及由于外壳，管道和其他结构的共振而对机器造成的影响的有价值的信息。 振动测量是一种有效的，非侵入性的方法，用于在启动，关闭和正常运行期间监视机器状态。 振动分析主要用于旋转设备，例如蒸汽和燃气轮机，泵，电动机，压缩机，造纸机，轧机，机床和齿轮箱。 一个主要的优点是，振动分析可以在问题变得过于严重和导致计划外停机之前识别出正在出现的问题。 这可以通过连续或定期对机器振动进行定期监控来实现。 定期的振动监测可以检测轴承的劣化或缺陷，机械松动以及齿轮磨损或损坏。 在这些情况导致轴承或轴损坏之前，振动分析还可以检测未对准和不平衡。 不断变化的振动水平可以识别不良的维护习惯，例如轴承安装和更换不正确，轴对准不正确或
Fisher_Score分数计算
最新发布
m0_51139704的博客
11-09 316
Fisher_Score分数计算。
python特征选择之多类别标签的Fisher score计算
m0_63774433的博客
03-13 3711
""" 特征选择中多类别标签的Fisher score计算 注意：.mat数据集必须满足 特征集为n*m(n为样本数，m为特征数) 标签集为n*1 如果用matlab打开之后不满足以上，可以进行转置 如果是csv文件，也可以进行转换 """ import pandas as pd from collections import defaultdict import numpy as np import scipy.io as sio def F_S(sample,label,loop): .
fisher准则
weixin_44943389的博客
10-25 446
费舍尔准则（Fisher’s Criterion）是一种用于特征选择的统计学准则，旨在通过最大化类别之间的方差相对于类别内的方差来选择最佳的特征子集。在特征选择过程中，我们希望选择能够使费舍尔准则取得最大值的特征子集，因为这意味着该特征子集在区分不同类别方面具有更强的能力。其中，类别间方差是指不同类别的均值之间的差异，而类别内方差是指每个类别内部的数据点的方差。计算类别间方差，即不同类别的均值之间的差异的平方和。计算类别内方差，即每个类别内部的数据点的方差之和。选择具有最大费舍尔准则值的特征子集。
利用python处理振动数据，傅里叶变换（一）
jAEgerrr的博客
02-28 1万+
平时工作中测试NVH，一般使用PAK统来进行数据的采集和分析，但由于软件license限制原因，在不同的电脑上工作会很不方便。 这里介绍下如何用python来处理振动数据。数据来源于一次固有频率测试，信号接收器为麦克风，数据采集设备为MKII，用PAK导出了原始的时间振动采集数据，采样频率为102400赫兹。 首先是导入模块与文件： '''Fourtran''' '''Author:jAEgerr...
pyhon在振动信号处理
09-16
Python在振动信号处理中有广泛的应用。振动信号处理是研究和分析机械、结构等系统在运动过程中产生的振动信号。Python作为一种通用的编程语言，提供了丰富的振动信号处理工具和库，方便了工程师和研究人员对振动信号进行分析和处理。 Python中最为常用的振动信号处理库是SciPy。SciPy提供了许多用于实现振动信号处理的函数和工具，例如傅立叶变换、滤波器设计、频谱分析等。通过SciPy，可以对振动信号进行时域分析、频域分析、子空间分析、阶次分析等，从而了解信号的特性和性能。 除了SciPy外，还有其他一些Python库可用于振动信号处理，例如NumPy、Matplotlib和Pandas。NumPy提供了高效的数值计算功能，可以快速处理大量的振动数据；Matplotlib可用于绘制振动信号的时域图、频域图和阶次图等，直观地展示信号的变化趋势；Pandas提供了数据分析和处理工具，可以方便地进行数据清洗和处理。 此外，Python还可以通过各种机器学习算法来对振动信号进行分析和预测。使用机器学习技术，可以从振动信号中提取出有用的特征，并建立模型来预测系统的状态和寿命。常见的机器学习库包括Scikit-learn和TensorFlow。 总之，Python作为一种强大的编程语言，在振动信号处理领域有着广泛的应用。通过丰富的振动信号处理工具和库，Python为工程师和研究人员提供了便捷、高效的数据分析和处理方法，帮助他们更好地理解和优化振动系统的性能。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

白银时代_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值