应用粗糙集提取柴油机故障数据特征

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (29): 231-234.

应用粗糙集提取柴油机故障数据特征

殷杰，柴毅，郭茂耘

重庆大学自动化学院，重庆 400030

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-11 发布日期:2011-10-11

Feature extraction of diesel engine fault data based on rough set theory

YIN Jie，CHAI Yi，GUO Maoyun

College of Automation，Chongqing University，Chongqing 400030，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-11 Published:2011-10-11

摘要/Abstract

摘要： 根据柴油机故障数据的特点，采用粗糙集理论对其进行特征提取研究。由于实际测量的参数大多为连续数据，而粗糙集只能处理离散数据，提出了一种适用于粗糙集的SOM网络离散化方法;给出一种基于简化差别矩阵的快速属性约简算法;以6135D型柴油机故障诊断数据为例进行特征提取，成功地将原始8个属性约简为3个，为后续研究工作打下了基础。

关键词: 粗糙集, 自组织特征映射（SOM）, 属性约简, 特征提取

Abstract: Rough set theory is used to research how to extract features of diesel engine fault data due to its own character.Rough set can deal with discrete data only and most parameters are continuous，so this paper presents a discretization method which uses SOM for rough set;it gives a quick attribute reduction algorithm based on simplified discernibility matrix;it extracts features of 6135D diesel engine fault data，reduces its attributes from 8 to 3 successfully and lays the foundation of follow-up work.

Key words: rough set, Self Organizing Feature Map（SOM）, attribute reduction, feature extraction

殷杰，柴毅，郭茂耘. 应用粗糙集提取柴油机故障数据特征[J]. 计算机工程与应用, 2011, 47(29): 231-234.

YIN Jie，CHAI Yi，GUO Maoyun. Feature extraction of diesel engine fault data based on rough set theory[J]. Computer Engineering and Applications, 2011, 47(29): 231-234.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[5]	代琪，李敏，刘洋，李丽红. 模糊层次商空间的快速属性约简算法[J]. 计算机工程与应用, 2021, 57(4): 55-60.
[6]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[7]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[8]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[9]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[10]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[11]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[12]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[13]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.
[14]	张呈玲，李进金，林艺东. 基于OE-概念格的形式背景属性约简[J]. 计算机工程与应用, 2021, 57(15): 82-89.
[15]	光睿智，安博文，潘胜达. 基于无锚框网络的航拍航道船舶检测算法[J]. 计算机工程与应用, 2021, 57(15): 251-258.