Yeni bir özellik değerlendirme yöntemi ve yüksek hızlı demiryolu arızasında uygulaması
Du Jing, Cai Zhenzhen, Jiang Peng, Jin Weidong
(Elektrik Mühendisliği Okulu, Southwest Jiaotong Üniversitesi, Chengdu 610031, Sichuan)
: Murphy'nin bir füzyon kuralı olarak geliştirilmiş D-S algoritmasına (MCFE-DSEC) dayalı çok kriterli bir özellik değerlendirme yöntemi önerin. Bu yöntem, farklı tek değerlendirme kriterlerini entegre eder, özelliklerin kapsamlı bir değerlendirmesini yapar, gereksiz özellikleri kaldırır ve sınıflandırma doğruluğunu iyileştirir. Yöntem, yüksek hızlı trenlerin arıza verilerine uygulanmaktadır.Deneysel sonuçlar, Borda-Count yöntemi ve tek bir değerlendirme kriteri ile karşılaştırıldığında, MCFE-DSEC yönteminin, güçlü bir uygulanabilirlik ve doğrulukla her hızda özellikleri etkin bir şekilde değerlendirebildiğini göstermektedir. yüksek.
: U279; TP391 Belge tanımlama kodu: ADOI: 10.16157 / j.issn.0258-7998.2015.09.042
: Du Jing, Cai Zhenzhen, Jiang Peng ve diğerleri.Yeni bir özellik değerlendirme yöntemi ve yüksek hızlı demiryolu arızalarında uygulaması Elektronik Teknoloji Uygulaması, 2015, 41 (9): 153-156.
İngilizce alıntı biçimi : Du Jing, Cai Zhenzhen, Jiang Peng ve diğerleri.Yeni bir özellik değerlendirme algoritması ve yüksek hızlı demiryolu hatasında uygulanması.Elektronik Tekniğin Uygulanması, 2015, 41 (9): 153-156.
Özellik seçimi, orijinal özellik kümesinden gereksiz ve ilgisiz özelliklerin kaldırılması ve en fazla tanıma bilgisini içeren özellik alt kümesinin seçilmesi anlamına gelir. Mevcut özellik değerlendirme kriterleri iki ana problemle karşı karşıyadır: biri yeni bir tek özellik değerlendirme kriteri tanımlamak, diğeri ise özellikler arasındaki fazlalık ve çatışmayı çözmek için farklı tek özellik değerlendirme kriterlerinin nasıl entegre edileceğidir.
İlk problemi çözmek için, birçok bilim insanı Mahalanobis Distance, Fuzzy Entropy ve benzeri gibi bir dizi tek özellikli değerlendirme kriteri önermiştir. Özellik seçim yöntemleri temel olarak iki yönteme ayrılır: Filtre modeli ve Sarmalayıcı modeli. Tek özellikli değerlendirme kriterinde birçok eksiklik vardır, örneğin tek özellikli değerlendirme kriteri özelliğin özelliklerini tam olarak yansıtamaz ve evrenselliği zayıftır.
İkinci problemi çözmek için YAN W, yeni bir çok kriterli özellik sıralama yöntemi (MCFR) önerdi. Tek bir değerlendirme kriterini kapsamlı bir şekilde kullanmak için, Yan W ve diğerleri bir füzyon yöntemi önerdiler: Borda sayım yöntemine dayalı bir özellik sıralaması füzyon yöntemi. YANG F, çok kriterli özellik sıralamasına (MCF-RFE) dayalı özyinelemeli bir özellik eleme algoritması önerdi.
Çok kriterli özellik değerlendirme yönteminin temel sorunu, füzyon kuralı problemidir. D-S kanıt teorisi yalnızca sorunun bilinmeyenlerini ve belirsizliklerini kavramakla kalmaz, aynı zamanda çok sayıda kanıt kaynağı tarafından sağlanan bilgilerin entegre edilmesini mümkün kılan çok yararlı bir sentetik formül sağlar. Murphy, kaynaştırılacak n adet kanıt parçasının önce aritmetik olarak ortalamasının alınmasını ve ardından ortalama kanıtın D-S kuralı kullanılarak n-1 kez birleştirilmesini önerdi.Bu yöntem iyi bir yakınsama etkisi sağlayabilir. Bu nedenle, Murphy'nin geliştirilmiş D-S teorisine ve kanıt çatışması teorisine dayanan çok kriterli özellik değerlendirmesinin etkinliğini geliştirmek için, bu makale yeni bir çok kriterli özellik değerlendirme yöntemi (MCFE-DSEC) önermektedir.
Deneysel kısım, MCFE-DSEC'in sınıflandırma doğruluğunu dört tek değerlendirme kriteri (Fisher's ratio, Fuzzy Entropy, Representation Entropy (RE), MD) ve çok kriterli özellik değerlendirme metodu (Borda Count) ile karşılaştırmaktadır.Deneysel sonuçlar şunu göstermektedir: MCFE-DSEC yöntemiyle elde edilen sınıflandırma doğruluğu, yukarıdaki yöntemlerden daha iyidir ve aynı zamanda, füzyon kuralı olarak DS teorisinin kullanımının füzyon sürecindeki çatışmayı etkili bir şekilde azaltabileceğini ve daha güvenilir sıralama sonuçları elde edebileceğini göstermektedir.
1 Özellik değerlendirme kriterleri
Şu anda, araştırmacılar birçok özellik değerlendirme kriteri önermişlerdir. Açıkçası, tüm tek özellik değerlendirme kriterlerini entegre etmek gerekli değildir ve bu yaklaşım da pratik değildir. Bu makale dört yöntem kullanır: Mahalanobis Distance (MD), Fisher's ratio, Fuzzy Entropy ve Representation Entropy (RE). Bulanık Entropi ve Gösterim Entropisi, bilgi teorisine dayalı filtreleme özelliği değerlendirme yöntemleridir, Mahalanobis Distance (MD) ve Fisher's ratio sarmalanmış özellik değerlendirme yöntemleridir. Dört yöntem aşağıda kısaca tanıtılacaktır.
1.1 Temsil Entropisi (RE)
J (j = 1, ..., d) d-boyutlu özellik kümesinin kovaryans matrisinin özdeğerlerini temsil etsin ve özdeğerleri standartlaştırsın:
1.2 Balıkçı oranı
Fisher oranı, her bir özellik için kümeler arasındaki ortalamanın küme içindeki ortalama varyansa oranını hesaplar ve orana göre sınıflandırma üzerinde j özelliğinin etkisini yargılar.
C sınıfındaki j özelliğinin varyansı. FR ne kadar büyükse, sınıflandırma üzerindeki etkisi o kadar büyük olur.
1.3 Bulanık Entropi
Bulanık entropinin birçok tanımı vardır.De Luca ve Termini bulanık kümeler kavramını ele almışlar ve Claud Elwood Shannon'un olasılık entropisine dayalı olarak bulanık entropi formülünü aşağıdaki gibi önermişlerdir:
1.4 Mahalanobis Mesafesi, MD
İ ve j, sırasıyla i-inci sınıf ve j-inci sınıftaki tüm örneklerin ortalama vektörünü (satır vektörü) ve özellik kümesinin kovaryans matrisini göstersin. Mahalanobis Mesafesinin hesaplama yöntemi aşağıdaki gibidir:
İkiden fazla tür içeren bir veri kümesi için MD şu şekilde ifade edilebilir:
MD ne kadar büyükse, özellik seti o kadar fazla bilgi içerir.
2 D-S teorisine dayalı çok kriterli özellik değerlendirme yöntemi
2.1 D-S kanıt teorisi
Önce, birbirini dışlayan ve kapsamlı öğelerden oluşan, tanımlama çerçevesi adı verilen bir alan tanımlayın. Problem alanındaki herhangi bir A önermesi için, 2? Temel olasılık atama işlevi olan eşleme m: 2X tanımlayın, ardından karşılık gelen D-S füzyon kuralı:
Bunlar arasında, çeşitli kanıt parçaları arasındaki çatışma katsayısını temsil eder.
D-S kanıt teorisinin birçok avantajı olmasına rağmen, yüksek çatışmalı kanıtları birleştirirken, mantıksız kombinasyon sonuçları olacaktır. Bu soruna cevaben yerli ve yabancı araştırmacılar birçok iyileştirme yöntemi önermişlerdir. Murphy, kanıt kaynaklarının aritmetik ortalamasını hesaplamak için geliştirilmiş bir algoritma önermiştir.Bu yöntem basit ve etkilidir.Bu nedenle, bu makale bu yöntemi bir füzyon kuralı olarak kullanmaktadır.
2.2 D-S teorisine dayalı çok kriterli özellik değerlendirme yöntemi
MCFE-DSEC ilkesi Şekil 1'de gösterilmektedir. Bir özellik seti verildiğinde, önce her bir değerlendirme kriterine göre karşılık gelen puan vektörünü elde edin.Her özelliğin puanı, özelliğin önemini temsil eder; ardından, her bir puan vektörü için Puan kanıtı vektörü olarak normalleştirme kullanılır; kapsamlı bir puan vektörü elde etmek için puan kanıtı vektörü füzyon kuralına göre birleştirilir; son olarak, kapsamlı bir özellik sıralaması elde etmek için kapsamlı puan vektörü sıralanır.
MCFE-DSEC yönteminin füzyon kuralları aşağıda ayrıntılı olarak açıklanacaktır. ? Special = {F1, F2, ..., FM} tanıma çerçevesinin karşılıklı olarak uyumsuz M öğeler içerdiğini ve Fi'nin i-inci özelliğini temsil ettiğini varsayalım. N tane tek özellikli değerlendirme kriteri olduğunu varsayarsak, si i-th (1iN) kriteriyle elde edilen puan vektörünü temsil eder ve si'yi normalleştirir:
Füzyon kriteri ile birleşik bir puan vektörü elde edilir. Puan vektöründeki öğeler, kapsamlı bir özellik sıralaması elde etmek için azalan sırada düzenlenir.
3 Deney ve analiz
Bu yazıda algoritmanın etkililiğini ve üstünlüğünü doğrulamak için, yüksek hızlı trenlerin ölçülen hata verileri gerçekleştirilir.Bu makale, özellikleri analiz etmek için çok kriterli MCFE-DSEC, Borda Count ve üç tek değerlendirme kriteri (Fuzzy Entropy, Fisher's ratio, RE) kullanır. Değerlendirme için, bir yedek özellik her kaldırıldığında ve geri kalan özellik alt kümeleri sınıflandırma için kullanıldığında, her özellik uzayının sınıflandırma doğruluğu elde edilebilir ve yukarıdaki beş yöntemin her bir özellik uzayının sınıflandırma doğruluğu karşılaştırılabilir.
3.1 Deneysel tasarım
MCFE-DSEC yönteminin yüksek hızlı demiryolu arıza teşhisinde etkinliğini doğrulamak için, belirli bir yüksek hızlı trenin ölçülen verilerini simüle etmek ve doğrulamak için MCFE-DSEC yöntemi kullanılır. Yüksek hızlı trenlerin 4 çalışma koşulunun (normal, enine amortisör arızası, anti-yılan darbe emici arızası ve hava yay kaybı) verilerinden 8 boyutlu veriler elde etmek için dalgacık katsayılarının ortalamasını ve varyansını ve hızlı Fourier dönüşümünün ortalamasını ve varyansını çıkarın. Özellikler, her çalışma koşulunda 20 set numune, toplam 80 set numune vardır. Eğitim örnekleri olarak 4 çalışma koşulundan bir dizi örnek ve kalan 76 veri setini test örnekleri olarak seçin.
3.2 Deneysel sonuçların analizi
Şekil 2 ila 6, farklı hızlarda her bir özellik uzayındaki altı özellik değerlendirme yönteminin doğruluğunun karşılaştırmasını göstermektedir Tablo 1, her bir özellik uzayında farklı hızlarda ve orijinal özellik uzayında altı özellik değerlendirme yönteminin ortalama doğruluğunu göstermektedir. Sınıflandırma doğruluk oranı. Şekil 2'den Şekil 6'ya ve Tablo 1'den, diğer yöntemlerle karşılaştırıldığında MCFE-DSEC yönteminin 5 hızda her boşluk için daha yüksek bir sınıflandırma doğruluk oranına sahip olduğu ve fazlalık özelliklerin kaldırılması sürecinde sınıflandırma doğruluk oranının gösterildiği görülmektedir. Önce artma ve sonra azalma eğilimi sadece bu değil, her özellik uzayının ortalama sınıflandırma doğruluğu da altı yöntem arasında en yüksek olanıdır. Diğer yöntemler, özellikleri yalnızca belirli bir hızda etkili bir şekilde değerlendirebilir, ancak diğer hızlardaki özelliklere uygulanamaz. Örneğin, Borda Sayım yöntemi yalnızca 140 km / s ve 220 km / s hızlar için iyi değerlendirme sonuçlarına sahiptir, ancak diğer hızlar için geçerli değildir; Fisher'ın oran yöntemi yalnızca 200 km / s ve 220 km / s hızlar için daha iyi değerlendirme sonuçlarına sahiptir. İyi değerlendirme, ancak doğruluk oranı MCFE-DSEC yönteminden düşüktür ve diğer hızlar için değerlendirme sonuçları çok zayıftır. Orijinal özellik alanı ile karşılaştırıldığında, MCFE-DSEC yönteminin 140 km / s'deki sınıflandırma doğruluğu% 22.04, 160 km / s'de ise sınıflandırma doğruluğu orijinal özellik uzayına göre% 8.63 artmıştır. Yukarıdakiler, MCFE-DSEC yönteminin özellikleri daha iyi değerlendirebildiğini ve evrensel uygulanabilirliğe sahip olduğunu göstermektedir.
4. Sonuç
Çok kriterli özellik değerlendirme yönteminin ve geliştirilmiş D-S kanıt teorisinin avantajlarına dayalı olarak, bu makale yeni bir özellik seçim yöntemi MCFE-DSEC önermektedir. Deneysel kısım, doğrulamak için araştırma nesnesi olarak yüksek hızlı tren hata verilerini kullanır. Deneysel sonuçlar, yöntemin her bir özelliği etkin bir şekilde değerlendirebildiğini, gereksiz özellikleri ortadan kaldırabildiğini, sınıflandırıcının karmaşıklığını azaltabildiğini ve yüksek hızlı trenlerde birden çok hatanın sınıflandırmasının doğruluğunu etkili bir şekilde iyileştirebileceğini kanıtlıyor.
Referanslar
SUN X, LIU Y, XU M ve diğerleri.Sınıflandırma için dinamik ağırlıklar kullanarak özellik seçimi Bilgi Tabanlı Sistemler, 2013 (37): 541-549.
SONG Q, NI J, WANG G. Yüksek boyutlu veriler için hızlı kümeleme tabanlı özellik alt küme seçim algoritması Bilgi ve Veri Mühendisliği, IEEE İşlemleri, 2013, 25 (1): 1-14.
YU L, LIU H. Alaka ve artıklık analizi yoluyla verimli özellik seçimi The Journal of Machine Learning Research, 2004 (5): 1205-1224.
AHMAD F K, NORWAWI NM, DERIS S, vd. Gen ekspresyon profilleri aracılığıyla özellik seçim tekniklerinin gözden geçirilmesi. Bilgi Teknolojisi, 2008. ITSim 2008. Uluslararası Sempozyum, IEEE, 2008, 2: 1-7.
Çok kriterli özellik sıralamasında YAN W. Fusion Information Fusion, 200710th International Conference on IEEE, 2007: 1-6.
YANG F, MAO K Z. Çok noktalı füzyona dayalı mikroaradata için sağlam özellik seçimi. IEEE / ACM İşlemleri Hesaplamalı Biyoloji ve Biyoinformatik (TCBB), 2011, 8 (4): 1080-1092.
Sun Quan, Ye Xiuqing, Gu Weikang. Kanıt teorisine dayalı yeni bir sentetik formül Acta Electronica Sinica, 2000, 28 (8): 117-119.
Li Bicheng, Qian Zengbo. Etkili Bir Kanıt Teorisi Sentez Formülü. Veri Toplama ve İşleme, 2002, 17 (1): 33-36.
MURPHY C K. Kanıt çeliştiğinde inanç işlevlerini birleştirmek Karar destek sistemleri, 2000, 29 (1): 1-9.
ZHU J, FEI Z. Çok kriterli füzyona dayalı yüksek boyutlu ve küçük boyutlu veriler için özellik seçimi. Yakınsama Bilgi Teknolojisi Dergisi, 2012, 7 (19): 203.
MITRA P, MURTHY CA, PAL S K. Özellik benzerliği kullanarak denetimsiz özellik seçimi Örüntü Analizi ve Makine Zekası üzerine IEEE İşlemleri, 2002, 24 (3): 301-312.
ZABIDI A, MANSOR W, KHUAN LY, vd. 129.
LUUKKA P. Benzerlik sınıflandırıcı ile bulanık entropi ölçümleri kullanarak özellik seçimi.Uygulamalı Uzman Sistemler, 2011, 38 (4): 4600-4607.
DEMPSTER A P. Çok değerli bir haritalama ile indüklenen üst ve alt olasılıklar. The Annals of Mathematical Statistics, 1967 (2): 325-339.
SHAFER G. Matematiksel bir kanıt teorisi. Princeton: Princeton üniversite basımı, 1976.
