点击次数：

所属单位：能源与动力学院

发表刊物：计算机工程与应用

关键字：K均值聚类;似然概率;涡扇发动机;气路故障;模式识别;

摘要：K均值聚类算法是聚类领域最知名的方法之一,然而K均值聚类完全依赖欧式距离进行聚类,忽略了样本特征离散程度对聚类结果的影响,导致聚类边缘样本容易被误聚类,且算法易局部收敛,聚类准确率较低。针对传统K均值聚类算法的不足,本文提出了似然K均值聚类算法,对于每个聚类的所有样本考虑每个维度样本特征的离散程度信息,分别计算样本属于某一聚类的似然概率,能够有效提高聚类准确率。本文首先在人造数据集和基准数据集验证了似然K均值聚类算法的优越性,然后将其应用于涡扇发动机气路部件故障以及传感器故障的模式识别,验证了该算法在涡扇发动机故障诊断中的实用性和有效性。

是否译文：否

发表时间：2019-05-05

合写作者：卢俊杰,鲁峰

通讯作者：黄金泉