论文部分内容阅读
针对序列实验样本集不确定性导致水下航行器声学故障分类器识别率低和鲁棒性差的问题,提出一种基于K-means和加权D-S证据理论的特征不确定性消除方法。首先,建立实验样本集的频域不确定度评价标准,引入K-means方法对样本集进行聚类分析,在此基础上剔除异常的特征样本,收敛样本集;然后,分别单独训练预处理后各聚类中心所属的样本集,建立相应的声学故障诊断模型;以聚类中心所属样本数量评价证据的权重,在此基础上采用D-S证据组合方法融合各聚类诊断模型的输出信息,增加分类器模型的诊断鲁棒性。通过转子振动台所模拟的不平衡故障数据进行实验验证,表明该方法能有效提高分类器的准确度。