14、基于半监督模糊核聚类的异常检测在传动早期故障诊断中的应用

基于半监督模糊核聚类的异常检测在传动早期故障诊断中的应用

1. 半监督模糊核聚类异常检测方法

在未标记样本中，大部分正常样本可以通过软最小超球体方法找到。为降低误分类率，需从不在超球体内的样本中提取有界正常样本，并根据这些样本信息计算故障聚类的初始聚类中心。基于超球体的半监督模糊核聚类交替迭代算法步骤如下：
1. 样本筛选 ：使用改进的软超球体算法，基于已知的正常样本找出大部分正常样本和潜在故障样本。
2. 计算聚类参数 ：根据获得的正常样本 ( c ) 和潜在故障样本，计算聚类数量和初始聚类中心。
3. 初始化系数向量和矩阵 ：初始化每个系数向量，并为未标记数据集计算核矩阵 ( K ) 及其逆矩阵 ( K^{-1} )。
4. 迭代更新 ：重复以下操作，直到每个样本的隶属度值稳定：
- 根据当前聚类中心，按照公式 (3.47) 更新不在超球体内的样本数据的隶属度 ( u_{ik}^u )。
- 根据隶属度 ( u_{ik}^u )，按照公式 (3.42) 和 (3.48) 更新故障聚类中心 ( \mathbf{v}_i )。

下面是该算法的流程图：

graph TD;
    A[开始] --> B[使用改进软超球体算法筛选样本];
    B --> C[计算聚类数量和初始聚类中心];
    C --> D[初始化系数向量和矩阵];
    D --> E{隶属度值稳定?};