基于数据挖掘的振动数据模式匹配研究

《基于数据挖掘的振动数据模式匹配研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、论文题目：基于数据挖掘的振动数据模式匹配研究专业：计算机应用技术硕士生：石鑫指导教师：李爱国摘要(签名)(签名)从振动数据中发现目标的振动特性，有利于识别监控环境中的目标和状态，在安全防御方面有着重要的学术价值和现实意义。本文将数据挖掘技术应用于振动数据的模式匹配研究，在研究和比较几种典型分类算法的基础上，探索了振动数据模式匹配的新方法，并对振动源的振幅能量和距离建立模型，判断振动源的具体位置，同时开发了相应的软件原型系统。主要研究内容如下：针对振动源模式识别率低的问题，提出了基于投影比例的K最近邻分类方法(KNNPS)。该

2、方法引入了投影比例的概念，首先使用独立分量分析方法对信号进行噪声分离，然后利用连续属性离散化方法进行降维，最后通过投影比例度量信号间的相似度，得到振动信号的模式类别。利用正确率、错误率、检测率和模式匹配率来评价KNNPS、K最近邻(KNN)和朴素贝叶斯算法的性能。实验结果表明，KNNPS算法的性能要优于KNN和朴素贝叶斯算法。对分类结果进行分析，可以根据正确分类的类别个数得出振动源的数目，并根据同一类别下振动幅值的强弱来判断振动数据的距离属性。针对利用振动幅值的强弱无法正确估计振动源位置的问题，建立了振动源振幅能量的衰减模型函数，得

3、到振幅能量和距离的关系。对于传感器采集的振动数据，利用函数模型来估计振动源的位置，实现了利用传感器对振动源距离的有效估计，并通过多传感器对振动源的坐标进行定位。最后，基于上述研究结果，将独立分量分析方法和分类方法应用于振动数据模式匹配系统中。系统模块包括信号分离模块，振动源比较模块，信号匹配模块。测试结果表明系统运行正确，达到了预期目标。关键字：模式匹配；独立分量分析；分类；数据挖掘；衰减模型研究类型：应用研究Subject:ResearchonVibrationDataPatternMatchingbasedonDataMini

4、ngSpecialty:ComputerApplicationTechnologyName:ShiXin(Signature)Instructor:LiAiguo(Signature)ABSTRACTDiscoveringthecharacteristicofvibrationdataarebeneficialtoidentifythetargetandstateinmonitorenvironment,whichhavegreatacademicvalueandpracticalsignificanceintheareaof

5、securitydefense.Withcarefulstudyandcomparisonofseveralclassificationmethods,thispaperexploresanewmethodtoidentifypatternofvibrationdata.Themodelofvibrationamplitudeanddistanceisbuilt,andthelocationofthevibrationsourceisjudgedbythemodel.Atthesametime,aprototypesoftwares

6、ystemwasdeveloped.Themaincontentsareasfollows:Accordingtotheproblemofthelowpatternrecognitionrateofthevibrationsource,ak-NearestNeighborsmethodbasedonprojectionscale(KNNPS)isproposed.Themethodintroducestheconceptofprojectionscale.First,theindependentcomponentanalysis(I

7、CA)isusedtoseparatenoisefromthesignal.Thenthediscretizationofcontinuousattributesisusedtodescenddimension.Finally,thesimilarityismeasuredbyprojectionscale,andthepatternofvibrationsignalismatched.Theaccuracyrate,errorrate,detectionrateandpatternmatchingrateareusedtoeval

8、uatetheperformanceofKNNPS,KNN,andNBalgorithms.TheexperimentalresultsshowthattheKNNPSalgorithmoutperformstheKNNandNBal