基于截断p-shrinkage范数的航空发动机数据重构

针对航空发动机传感器的数据缺失问题,提出基于张量奇异值阈值(TSVT)的张量重构模型LRTC-PTNN,对航空发动机的传感器数据进行重构。LRTC-PTNN模型运用截断pshrinkage范数的方式代替原始张量迹范数作为张量秩的凸包络,并根据TSVT的特性,计算了传感器之间的相关性,选取传感器截面作为重构精度最佳的数据输入方向,使用交替乘子法实现LRTCPTNN算法。选取NASA提供的PHM2008数据集进行实验,对数据集进行标准化,并在重构后进行恢复,将多个时间序列个数相近的发动机传感器数据构建为高维张量的形式,设置2种传感器的数据缺失场景进行实验,结果表明：重构后数据的均方根误差和平均绝对百分比误差范围分别为2.10～13.13和0.32～1.49,LRTC-PTNN模型优于现有的基线模型,且在极端情况下有较强的鲁棒性。     

二维类间边界Fisher分析的多元时间序列降维

针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性，提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进，在本征图和惩罚图的基础上引入类间惩罚图，用来描述各个类中心之间的距离，并对目标函数进行改进，提出类间边界Fisher分析模型；对所提模型进行二维化拓展，提出基于二维类间边界Fisher分析的降维模型，使其能够直接处理二维矩阵数据，有效保留结构信息；通过计算协方差矩阵将多元时间序列集转化为等长特征集，利用降维模型将等长特征集投影到低维空间，达到数据降维和特征表示的目的。实验结果表明：所提方法能够有效对多元时间序列进行降维，达到良好的分类效果。