基于散列函數的雙網格校正小波聚類算法及應用.pdf

1、旋轉機械廣泛應用于冶金、礦業(yè)、航空、電力和機械等行業(yè)，轉子系統(tǒng)是旋轉機械的核心部件，旋轉機械的故障診斷一般通過轉子系統(tǒng)的振動進行診斷故障。為及時發(fā)現設備故障和預防惡性事故的發(fā)生，對轉子系統(tǒng)進行故障診斷有重要意義。
　　小波聚類算法具有有效地處理大數據集合，對輸入的數據順序不敏感，聚類結果不受噪聲影響，且能發(fā)現不同精度下任意形狀的簇，因此被廣泛應用于模式識別、圖像處理等領域。小波聚類算法是在一種尺寸網格下進行聚類分析，由于網格單元中

2、數據的分布是不均勻的，因此會降低聚類精度。而通過雙網格校正小波聚類算法可以緩解一種尺寸下網格均勻劃分與數據對象非均勻分布的相互矛盾。小波聚類算法是在網格上進行小波變換，再進行聚類，而高維空間數據是稀疏的，量化后，網格數遠遠小于數據數，含有大量的空單元，這些空單元會增大空間復雜度，降低聚類的速度。為了提高聚類精度、速度，本論文主要是在小波聚類算法(WaveCluter)上進行研究和改進，提出了基于散列函數的雙網格校正小波聚類算法。

3、　　基于散列函數的雙網格校正小波聚類算法首先要構造新的散列函數形成一個新的散列表；其次，將量化后的特征值存儲到散列表中，并行地在原始網格和校正網格上進行小波變換，在轉換后的特征空間子波段，不同層次上找連通單元（簇）；然后，利用校正網格產生的聚類結果去校正原始網格產生的聚類結果，得到新的校正后的聚類結果；最后，把改進的算法應用到航空發(fā)動機轉子故障診斷中，通過對時間復雜度和空間復雜度進行分析，驗證算法的有效性和可行性。實驗結果證明：基于散列