利用测地线距离的改进谱聚类算法

杨清宇 1; 2; 孙凤伟 2; 张曌 2; 张迪 2; 庄健 3

您当前的位置：

首页 >

文章列表页 >

利用测地线距离的改进谱聚类算法

更新时间：2025-05-08

- 利用测地线距离的改进谱聚类算法
- An Improved Spectral Clustering Algorithm Using Geodesic Distance
- 西安交通大学学报 2012年46卷第8期页码：1-7
- 作者机构：
  
  1. 西安交通大学机械制造系统工程国家重点实验室,西安,710049
  2. 西安交通大学电子与信息工程学院,西安,710049
- 作者简介：
- 基金信息：
  
  : 2012-03-05. 作者简介: 杨清宇(1974-),男,副教授,博士生导师. 基金项目: 国家自然科学基金资助项目(61075001)
- DOI：
  中图分类号： TP18
- 网络首发：2012-08-10，
  
  纸质出版：2012
- 稿件说明：
移动端阅览
杨清宇 1, 2, 孙凤伟 2, 等. 利用测地线距离的改进谱聚类算法[J]. 西安交通大学学报, 2012,46(8):1-7.

An Improved Spectral Clustering Algorithm Using Geodesic Distance[J]. 2012, 46(8): 1-7.
杨清宇 1, 2, 孙凤伟 2, 等. 利用测地线距离的改进谱聚类算法[J]. 西安交通大学学报, 2012,46(8):1-7. DOI：

An Improved Spectral Clustering Algorithm Using Geodesic Distance[J]. 2012, 46(8): 1-7. DOI：

摘要

针对往复式压缩机故障数据空间分布复杂、常规算法不能有效聚类的问题

提出了一种改进的谱聚类算法.该算法使用新的相似度矩阵计算方式

根据故障数据流形分布的特点引入测地线距离取代欧氏距离作为数据间的关系度量; 通过计算各数据点的邻域密度因子有效地识别和剔除了噪声点; 利用基于密度的局部欧氏距离调整方法对流形间隙过小的区域进行了处理.在几个人工数据集和往复式压缩机故障数据集上的测试结果表明

改进谱聚类算法对于具有流形分布、多尺度、有噪声、流形间隙过小甚至交叉等特点的数据具有很好的聚类能力

聚类准确率比常规的k-均值和MSCA谱聚类算法分别提高了50.86%和8.6%.

Abstract

An improved spectral clustering algorithm is proposed to focus on the problem that the general clustering algorithms are invalid for reciprocating compressor fault data lying on complex manifold. A new affinity matrix is obtained. The geodesic distance replaces the traditional Euclidian distance to measure the similarity of data

and neighborhood-based density factor is used to identify and to remove noise points. Moreover

density-based local Euclidian distance adjustment is introduced into areas with small gap between manifolds. The proposed method is implemented on several artificial datasets and a real reciprocating compressor fault dataset. Experimental results show that the new algorithm can accomplish the clustering for data with noise and multi-scale character

especially when the manifolds have small gaps or crossover between each other. Its accuracy is 50.86% and 8.6% higher than those of k-means and MSCA respectively.

关键词

Keywords

references

CHIANG L H, RUSSELL E L, BRAATZ R D. Fault detection and diagnosis in industrial systems[M]. London, Great Britain: Springer-Verlag London Limited, 2001.

屈粱生, 张海军. 机械诊断中的几个基本问题[J]. 中国机械工程, 2000, 11(2): 211-216.

QU Liangsheng, ZHANG Haijun. Some basic problems in machinery diagnostics[J]. China Mechanical Engineering, 2000, 11(2): 211-216.

王志华. 基于模式识别的柴油机故障诊断技术研究[D]. 武汉: 武汉理工大学, 2004.

SUI Wentao, LU Changhou, ZHANG Dan. Bearing fault diagnosis based on feature weighted FCM cluster analysis[C]∥Proc of ICCSSE. Piscataway, NJ, USA: IEEE, 2008: 518-521.

张育林, 庄健, 王娜, 等. 一种自适应局部线性嵌入与谱聚类融合的故障诊断方法[J]. 西安交通大学学报, 2010, 44(1): 77-82.

ZHANG Yulin, ZHUANG Jian, WANG Na, et al. Fusion of adaptive local linear embedding and spectral clustering algorithm with application to fault diagnosis[J]. Journal of Xi'an Jiaotong University, 2010, 44(1): 77-82.

LI Gang, ZHUANG Jian, HOU Hongning, et al. A genetic algorithm based clustering using geodesic distance measure[C]∥Proc of ICICIS. Piscataway, NJ, USA: IEEE, 2009: 274-278.

BAHRAMPOUR S, MOSHIRI B, SALAHSHOOR K. Weighted and constrained possibilistic C-means clustering for online fault detection and isolation[J]. Applied Intelligence, 2011, 35(2): 269-284.

DING Shifei, ZHANG Liwen, ZHANG Yu. Research on spectral clustering algorithms and prospects [C]∥Proc of ICCET. Piscataway, NJ, USA: IEEE, 2010: 149-153.

NG A Y, JORDAN M I, WEISS Y. On spectral clustering: analysis and an algorithm[C]∥Proc of ANIPS. Cambridge, MA, USA: MIT Press, 2002:849-856.

SANGUINETTI G, LAIDLER J, LAWRENCE N. Automatic determination of the number of clusters using spectral algorithms[C]∥Proc of IEEE Workshop on MLSP. Piscataway, NJ, USA: IEEE, 2005: 28-30.

张莉,周伟达,焦李成. 核聚类算法[J].计算机学报,2002, 25(6):587-590.

ZHANG Li, ZHOU Weida, JIAO Licheng. Kernel clustering algorithm[J]. Chinese Journal of Computers, 2002, 25(6):587-590.

DANIEL G, WITOLD P. Kernel-based fuzzy clustering and fuzzy clustering: a comparative experimental study [J]. Fuzzy Sets and Systems, 2010, 161(4): 522-543.

TENENGAUM J B, SILVA V D, LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319-2323.

ZHOU Shuigeng, ZHAO Yue, GUAN Jihong, et al. A neighborhood-based clustering algorithm[J]. Lecture Notes in Computer Science, 2005, 3518(1): 361-371.

CHEN Wen-Yen, SONG Yangqiu, BAI Hongjie, et al. Parallel spectral clustering in distributed systems[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(3): 568-586.

张慧,韩崇昭,闫小喜. 概率假设密度滤波的谱聚类目标状态提取方法. 2012,46(2): 1-5.

王翔,郑建国. 求解约束优化问题的多成员人工蜂群算法. 2012,46(2): 38-44.

刘弹,杨景明,罗爱玲. 具有全局聚类的多属性离散化算法. 2011,45(9): 1-5.

王羡慧,覃征,张选平,等. 采用仿射传播的聚类集成算法. 2011,45(8): 1-5.

王翔,郑建国,张超群,等. 采用约束蚁群优化的贝叶斯网结构学习算法. 2011,45(8): 54-61.

彭柳青,张军英. 一种鲁棒的子空间聚类算法. 2011,45(6): 13-19.

丁晓剑,赵银亮. 优化极限学习机的序列最小优化方. 2011,45(6): 7-12.

高羡明,洪军,刘瑞萍,等. 多准则数控机床模块谱系聚类的划分方法研究. 2011,45(5): 131-136.

马超, 陈西宏,徐宇亮,等. 广义邻域粗集下的集成特征选择及其选择性集成算法. 2011,45(6): 34-39.

国强,王常虹,李峥. 支持向量聚类联合类型熵识别的雷达信号分选方法. 2010,44(8): 63-67.

贾建华,焦李成,柳炳祥. 图像分割的谱聚类集成算法. 2010,44(6): 93-98.

张兆军,冯祖仁,任志刚. 采用序优化的改进蚁群算法. 2010,44(2): 15-19.

张育林,庄健,王娜,等. 一种自适应局部线性嵌入与谱聚类融合的故障诊断方法. 2010,44(1): 77-82.

王娜,杜海峰,王孙安. 一种基于流形距离的迭代优化聚类算法. 2009,43(5): 76-79.

张云,冯博琴. 利用标签的层次化搜索结果聚类方法. 2009,43(4): 18-21.

李静耘,杜正春,楚国莉,等. 基于聚类的多运行方式下电力系统稳定器设计. 2008,42(2): 204-208.

张选平,祝兴昌,马琮. 一种基于边界识别的聚类算法. 2007,41(12): 1387-1390.

张云,冯博琴,麻首强,等. 蚁群-遗传融合的文本聚类算法. 2007,41(10): 1146-1150.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

图像分割的谱聚类集成算法

概率假设密度滤波的谱聚类目标状态提取方法

一种自适应局部线性嵌入与谱聚类融合的故障诊断方法

往复式压缩机管道系统气流脉动的数值与实验研究

一种迭代改进的球向量机故障诊断算法