[0063] 以下结合附图对本发明作进一步说明。
[0064] 如图1、图2所示，本发明提出基于平均影响值数据变换的特征加权K-近邻故障诊断方法，包括以下各步骤：
[0065] 1、依据信号的前向传播和误差的反向传播来构建BP神经网络：
[0066] 步骤(1-1)网络的初始化：
[0067] 假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m；各层节点的个数无统一的标准，一般是根据输入输出序列在经过多次实验来确定。输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk'，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk'。以上权重及偏置参数的初始化是随机的，在接下来的多次迭代中进行一次次的更新修正。学习速率为η，取[0.01,0.1]之间，激励函数g(x)的输出结果是[-1,1]或者[0,1]，其中激励函数g(x)有诸多形式，本方法将其取作Sigmoid函数。形式为：
[0068]
[0069] 步骤(1-2)正向传递：有了输入和初始参数以及激活函数，一个节点的输出表示如下，对应输入乘以连接隐含层的对应权值加上阈值，最后经过激活函数得到隐含层节点的一个输出，假设系统输入为X＝[x1,x2,....xn]，计算表达式如下。
[0070] 隐含层节点的输入：
[0071]
[0072] 隐含层节点的输出：
[0073]
[0074] 输出节点的输出：
[0075]
[0076] 其中，；i＝1,2,…,n；j＝1,2,…,l；k'＝1,2,…,m。
[0077] 步骤(1-3)反向传递：误差计算，我们定义损失函数(loss function)如下：
[0078]
[0079] 以上，Y为期望输出，O为实际输出，权值更新即是隐含层和输出层权值更新。其表达式如下
[0080]
[0081] 隐含层到输出层的权值更新计算：
[0082]
[0083] ωjk'＝ωjk'+ηHjek ' (8)
[0084] 输出层到隐含层的权值更新计算：
[0085]
[0086]
[0087]
[0088]
[0089] 测试数据的拟合程度见图5。
[0090] 步骤(1-4)判断算法迭代是否结束，一种是迭代次数达到上限，另一种是判断相邻的两次误差之间的差别是否下月指定的值。
[0091] 2、求取数据集的各输入变量对输出的MIV，MIV是用于确定输入神经元对输出神经元影响大小的一个指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性。具体计算过程如下：
[0092]
[0093]
[0094]
[0095] IVi＝Oi,+-Oi,- (16)
[0096] 综上，取0.1≤δ≤0.3， 表示所有样本的第i个特征分量分别增减δ后的矩阵；表示第k'个样本数据的第i个特征分量分别增减δ后的向量；xi(k')表示第k'样本数据的第i个特征分量的值。网络训练终止后，将训练样本集 和 分别作为仿真样本利用已建成的网络进行仿真，得到两个仿真结果Oi,+和Oi,-，IVi即为样本数据中第i个变量的平均影响值。同理可求得样本数据中其他各变量的平均影响值。
[0097] IV＝[IV1,IV2,…,IVn]T (17)
[0098] IV(Impact Value)中的各个参数即为样本数据中各个特征变量对输出的影响值。最后，多次仿真取m组IV值，求取其中对应特征变量IV值的平均值，记作MIV。
[0099]
[0100] MIV绝对值的大小即为各自变量对网络输出影响的相对重要性，从而实现样本数据特征的加权。
[0101] 如下表1是通过以上算法求得的输入数据的各特征变量对输出的影响值，由于BP神经网络中的部分参数是随机初始化，故造成每次计算得到的各变量的IV值不同，故采用多次计算求平均值的方式确定各个特征变量最终的MIV值。
[0102] 表1输入数据的各特征变量对输出的影响值
[0103]
[0104]
[0105] 图3为BP神经网络的测试数据在网络中经过2000次的迭代，最终的误差最小为0.14468。图4表示BP神经网络的迭代方向沿着梯度下降的方向进行，并在第2000次迭代后梯度达到0.011897。图5表示BP神经网络经过2000次迭代后的回归曲线，Output＝0.63*Target+0.89。
[0106] 3、K近邻算法设计
[0107] a.训练样本中找k个近邻
[0108] 计算测试样本中每一个样本x(k')，k'＝1,2,…,N，与训练样本之间的欧氏距离，并找到距离它最近的k'个样本。
[0109] di,j＝||x(i)-x(j)||2,i≠j (19)
[0110] 上式中，x(i)和x(j)分别表示两个样本，i,j＝1,2,…,N。
[0111] b.统计计算k个近邻中属于各类的概率
[0112]
[0113] 以上k表示k个近邻，kα表示k个近邻中属于α类的样本个数，α＝1，2，…，c，其中c为样本中类别个数。
[0114] c.故障诊断
[0115] 对于一个新的样本x(k)，根据式(19)计算其k个近邻；根据式(20)统计计算p(α)；将p(α)从大到小排序，pmax(α)所属的类就是测试样本x(k)所属的故障类。
[0116] 4、载入UI-balance数据集进行故障诊断仿真测试
[0117] 为验证本文提出算法的有效性，我们使用UCI标准数据集中balance数据集进行对比仿真实验。其中balance数据集中有625组数据，每组数据包含4个特征(4×625)，共3类，1类数据49组，2类数据288组，3类数据288组。标准化处理后，由基于MIV的BP神经网络算法进行数据特征加权。然后我们采用交叉验证的方法选取500组(80％)数据作为训练样本，用于分类器构建，剩下的125组(20％)数据作为测试样本，用于测试计算本文提出的特征加权算法对分类器性能的影响。
[0118] 样本数据特征权值(MIV)的求取过程如下：
[0119] 1)原始样本数据的标准化，按照如下方式标准化
[0120]
[0121] 2)将标准化后的数据运用基于MIV的BP神经网络进行特征变量权值求取，对神经网络的部分参数进行设置，本文将神经网络的最大迭代次数设置成2000，期望目标误差最小值设为1.0*e-5。
[0122] 针对同一标准UCI-balance数据集，分别采用普通的标准化处理和MIV-BP神经网络加权处理后，用机器学习算法中的KNN算法进行分类。表2为本算法的仿真实验结果。
[0123] 表2仿真实验结果
[0124]
