机械设计与研究

机械设计与研究 ›› 2016, Vol. 32 ›› Issue (04): 43-45+49.doi: 10.13952/j.cnki.jofmdr.a4029

• 论文 • 上一篇    下一篇

PSO与LS混合算法在故障特征选择中的应用

张亚龙;赵荣珍;王雪冬;张娟;   

  1. 兰州理工大学机电工程学院;
  • 发布日期:2020-07-26

  • Published:2020-07-26

摘要： 为了提高分类器的分类精度和泛化能力,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)和拉普拉斯分值(Laplace Score,LS)的混合式故障特征选择方法。该方法首先采用过滤式的特征选择方法(LS)对原始特征集进行筛选,然后利用PSO在经过精简的特征子空间里进行随机搜索,搜索过程中以支持向量机的分类准确率为适应度函数,选择出最优特征子集。用双跨转子实验台的一组故障特征数据集进行验证。实验结果表明,该方法可以有效地筛选出规模较小且最有辨别力的特征子集,能显著提高分类器的分类准确率及效率。

关键词: 特征选择, 特征子集, 拉普拉斯分值, 粒子群算法, 支持向量机

Key words: feature selection, feature set, laplace score, particle swarm optimization algorithm, support vector machine