《表1 归一化后特征参数SOM离散化示例》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

根据上述步骤，将采集到的数据经过KPCA处理降维成2维特征，即表1中的特征参数1和特征参数2；然后，利用SOM将其量化成一维的离散特征。SOM是一种无导师聚类算法，其学习过程是无监督且自组织地进行的，能将任意多维输入模式在输出层映射成一维或二维离散图形，并保持其拓扑结构不变。本文设置输出层为1维离散特征，设置竞争层为2×2的六边形结构[12]，即聚类的类别数为4类。过细的类别分类可能使很多数据单独成一类，而粗线条的二分类意义也不大。对输入样本进行SOM网络训练和测试，可以得到每一个样本的分类标签，即1维离散特征值。特征参数离散前后的数据如表1所示，图形化聚类结果如图1所示，图1的横纵坐标分别为归一化后连续特征参数1和2，聚类完成时，同一类的样本被赋予了相同的类别标签，标签值即1维离散特征值。